企业财务失败预警问题备受关注，成为经济管理学界和商业界一个的重要课题。实现上市公司财务失败的客观预警，对于投资决策、失败诊断、金融风险防范以及监管层加强监督都具有重要意义。财务失败预警研究是一个涉及信息采集、预测方法、决策理论、专家经验、信息系统建模等诸多学科的复杂工程，且面临新型分析技术的挑战以及受到我国资本市场特殊性的制约。　　 国内外财务失败预警研究较为全面和深入，但仍然在失败动态界定、失败预警指标选择、模型构建、预警知识发现、预警系统商业化、风险控制等方面存在相当不足。财务失败预警是一个复杂的半结构化决策问题，仅依靠数学模型解决预警问题有很大局限性。因此，有必要以新技术和新视角对我国上市公司财务失败预警问题进行深入研究。本论文就是针对以上问题，遵循系统性、全面性和重点突出相结合的原则，顺着财务失败界定、财务失败预警指标体系建立、预警模型建立等这条逻辑主线进行研究，重点对智能化预警模型进行了理论和实证研究。论文的主要内容和研究成果包括：　　 1、对财务失败预警指标体系和财务失败界定等基础问题研究。首先，对财务失败的原因、过程和征兆等本质问题分析，认为财务失败过程具有动态性和持续性，并且原因、征兆、阶段特征难以区分，故将其统一纳入预警指标分析框架，建立了基于此统一框架下的定性和定量指标相结合的可动态扩展的预警指标体系。其次，对财务失败和非失败样本进行差异显著性检验和聚类分析，认为上市公司在“特别处理”(ST)事件之前表现出明显的财务指标恶化的征兆，所以ST适合作为两类样本的切分事件。　　 2、对不同财务失败预警模型进行比较研究，重点探讨了基于支持向量机的优化模型在我国上市公司财务失败预警中的应用。综合考虑样本、失败标志事件、会计准则调整、模型参数优选、方法比较等多种影响因素，设计了一种集成的财务失败预警模型应用方案。基于统计方法和智能方法的预警模型性能的比较实验表明：基于最优支持向量机的财务失败预测模型的准确度明显高于BP神经网络、逻辑回归和多元判别分析，尤其适合我国资本市场的小样本、多噪声、高维非线性的数据特点。但为保证支持向量机模型性能需要对模型参数寻优，从而导致建模复杂且时间较长。ST虽然对模型有一定影响，但仍然不失为现阶段一种有效的上市公司财务失败切分事件。　　 3、通过研究不同变量选择方法对模型的影响，改进了预警指标选择的理论分析框架，为预警指标选择研究提供了新视角。新分析框架认为：第一、基于模型变量实证方法的预警指标选择途径不能系统地解决预警指标选择问题，预警指标选择不应该受变量选择方法的影响。第二、基于失败原因、征兆、特征的统一框架下的预警指标体系，可以根据实际情况扩充。第三、在此统一框架下利用定量方法选择模型变量，变量选择方法的评估依据包括模型准确度、时间性能和关键变量的经济意义。　　 设计了遗传算法同步优化变量和分类器参数的方法。结果表明该同步优化方法在缩减变量数量的同时依然保持了较好的准确度，还能客观地发现关键变量。此外，研究指出基于统计方法的过滤式变量选择途径未必是最优的，而同步方法是一种较优的效率和准确度折中策略，可以推广至管理领域中的其他用途。　　 4、利用基于规则的知识表示途径对财务失败多分类进行了研究。设计了一种基于交叉验证的、决策树和支持向量机集成的新方法，用于预警知识表示。通过该方法提取规则子集、子集分析、规则冲突消解，实现财务失败多分类预警。这种新途径将财务失败的多样性和复杂性以定量形式表现出，同时有助于发现财务失败的临界类别以及财务失败和财务健康的多种表现形式。实证分析发现：支持向量机能弱化数据噪声，作为样本的预处理器能提高财务失败预警知识表示的有效性。此外，所获得的规则知识一定程度上克服了人工获取专家知识的困难。　　 5、设计了智能模型与专家知识有效集成，综合评价、诊断、预警有效集成的智能化预警决策支持系统，达到定量和定性指标相结合的综合预警的目的，为研发上市公司财务风险智能分析与预警系统奠定理论和实践基础。　　 最后，对全文进行总结，指出研究工作中存在的不足以及进一步的研究方向。