违约风险判别是根据过去和现在企业的指标数据、环境数据和违约状态来推断企业未来的违约状态和违约概率。违约判别对于股票投资、债券投资、银行贷款和商业违约决策具有极为重要的意义。近年来,随着深度学习的快速崛起,卷积神经网络正被广泛应用于各种领域的识别问题,在某些领域具有比传统方法更高的识别精度。然而,在企业违约风险判别领域少有建树。其中原因,有学者分析可能是因为卷积神经网络更适合处理图像,而不是一般的财务指标数据。因此,本研究尝试用搭配拟图像化处理后企业数据的卷积神经网络模型来进行企业违约风险判别。文章结构为第1部分是绪论,第2部分是文献综述,第3部分是样本拟图像化处理和模型构建,第4部分是违约判别模型的实证分析,第5部分是结论。本研究的研究重点是构造以双重欧氏距离最短为标准的拟图像化数据处理,结合经过参数优化的卷积神经网络的违约风险判别模型。将本文所构建的违约风险判别模型应用于中国的小企业,验证了本文所构建的模型具有较好的违约风险判别能力。本文以小企业为研究目标,具有一定实际应用意义,可以为银行、监管部门和金融投资者提供决策帮助。本研究的主要结论:一是本研究构建的违约风险判别模型提升了对违约客户的识别效果,且总体精度较高。本文构建的违约风险判别模型是深度学习中具有代表性的卷积神经网络模型,结构复杂性低,判别效果良好,在对违约客户的甄别方面效果明显优于LDA、逻辑回归、朴素贝叶斯、支持向量机模型。二是经过拟图像化排布过后的模型判别效果更好。并且经过对于本模型卷积核参数的最优选取,本研究寻找到更加适合处理中国小企业数据的最优参数,实现了本模型良好的判别能力。主要创新与特色:一是提出指标排布表内指标欧氏距离最短和数据库中指标样本间的距离最短为原则的数据处理标准,对我国小企业数据处理成拟图像化的形式,实证结果表明经过数据拟图像化排布后结果优于数据随机排布的结果;二是本研究以精度最高反推最优的卷积神经网络的卷积核深度,卷积核尺寸和模型违约判别临界点等模型参数,提升了模型判别能力。同时将本研究的模型对比传统机器学习模型如逻辑回归、朴素贝叶斯、支持向量机、LDA模型违约判别精度更高。