随着我国经济的快速发展,证券市场日趋活跃,上市公司数量逐年增加,同时制造也行业企业在上市公司中占着很重要的比重。可以说,制造业上市公司的健康发展直接关系到我国国民经济的健康可持续发展。但近年来,针对中国的宏观经济环境,自2012年以来,中国GDP增长率开始下降,中国宏观经济继续放缓,经济下行压力继续加大,经济增长的阶段经历了根本性的变化。在严峻的宏观经济形势下,企业发生财务危机的风险会大大增加,财务危机造成的后果也会更加严重,因此对于制造业上市公司财务危机的预测对于国民经济的发展、公司管理者、投资者和政府监管机构都具有十分重要的意义。目前国内外对于财务危机预警的研究方法和模型多种多样,研究方法主要包括多元线性回归,主成分分析方法等,模型也逐步从传统计量模型过渡到了人工智能模型阶段,在这过程中也形成了较为丰富的研究成果,但也存在一定需要改进的方面:一方面,需要针对不同行业的企业分别建立预警模型,而不是大而泛之地针对所有的企业;另一方面,需要预测度更高的财务危机预警模型的出现。在这种情况下,本文针对可以改进的方面提出创新性的研究思路,针对我国上市制造型企业的财务危机预警模型,变量筛选的方法采用兼具多元回归、主成分分析法和典型相关分析法的偏最小二乘方法,基于人工智能算法BP神经网络建立预警模型,通过两种方法的结合,以期能够建立准确度较高的财务危机预警模型。本文首先选取沪深两市2014年-2016年三年区间的56个样本,每个样本选取22个经济指标进行研究,并将研究对象分为训练样本和检验样本,然后利用偏最小二乘方法提取出能够包含22经济指标主要内容的成,再接着将提取出的成分作为BP神经网络模型的输入量,是否是财务危机公司作为模型的输出量,通过训练样本的训练,初步建立起适用于对制造业上市公司的财务危机进行预警的模型,之后再讲检验样本放入模型中检验模型的准确率。通过以上的思路和方法,本文最终建立了适用于制造业上市公司提前不同年限的财务危机预警模型,模型的准确率均在80%以上。为了让模型落到实地,本文将建立的模型应用于青岛啤酒公司,预测了其在2018-2020年是否会发生财务危机,最后得出了该公司在此期间不会发生财务危机,但是该企业的财务状况开始出现不稳定的因素的结论。