在上市公司披露的财务报告中,会计信息占据百分之七十以上的内容,会计信息不仅是各个主体进行经济决策的有效基础,更是资本市场稳定发展的主要因素。随着公司信息化的蓬勃发展,经济交易逐步实现了网络化、智能化。在海量的会计信息中,传统的识别会计信息真实性方法成本高、效率低,已无法满足信息化时代的需求。因此,如何快速提取需要的数据并且识别会计信息的可靠性和真实性,已成为当前非常重要的课题。将数据挖掘方法引入会计、审计领域,不仅符合社会大众的需求,而且在缩短作业时间、优化资源配置、降低人为主观因素及提高识别准确率上具有独特的优势。本文将数据挖掘方法应用于上市公司会计信息失真识别工作中,在深入理解相关理论以及分析现有文献的基础上,综合运用数据挖掘方法对上市公司会计信息失真和非失真进行分类。首先,通过文献研究总结出初始指标体系,并通过主成分分析方法形成主成分指标。形成的九个主成分指标已经解释了总方差的近91.9%,在很大程度上能够代替初始指标完成会计信息失真识别模型的构建。其次,选择我国上市公司2008-2017年披露的财务报告数据作为研究样本,构建三种单一会计信息失真识别模型,支持向量机识别模型、广义回归神经网络识别模型、决策树识别模型。在三种识别模型中,支持向量机识别模型的正确率最高,达到94.8%,广义回归神经网络识别模型对数据的学习时间最短,决策树识别模型更便于操作和可理解。然后,进行模型评估和综合识别模型的构建,评价结果表明支持向量机识别模型的综合性能最好,其次为决策树识别模型,最后为广义回归神经网络识别模型。与单一识别模型测试出的实验结果相比,通过综合识别模型得到的实验结果可信度更高,稳定性更好,识别正确率达到91.18%。最后,结合本文研究,从政策制约、内部控制、投资者和债权人对会计信息失真识别能力三个方面提出了管理建议。