随着信用风险的复杂性和多样化,企业融资越来越受到国内商业银行和监管部门的关注。中国支柱产业制造业在A股市场占据重要地位,但在过去的发展中,中国主要依靠房地产开发投资和基础设施投资的发展模式,民营经济为主体的制造业投资增速大幅下滑,导致实体经济发展出现了比较明显的问题。此外,中国制造业上市公司也面临劳动力供给不足、劳动力成本上升以及市场需求变化的问题,因此我国的制造业成为了高信用风险的行业,发展形势不容乐观。同时,制造业上市公司是商业银行的重点放款对象,一旦制造业上市公司出现了信用风险,不仅会给银行带来巨大的损失,还会影响社会经济的稳定。因此,制造业信用风险的测度和预警是值得关注和研究的课题。本文以信用风险预警理论为基础,系统研究了我国制造业上市公司信用风险预警模型,并进行了实证分析。首先,梳理了国内外信用风险预警模型的相关文献研究,并以此为理论依据对我国制造业信用风险的现状进行了分析,进一步揭示了我国制造业上市公司信用风险的现状、特点及形成机理。其次,结合相关学者的研究构建了制造业上市公司信用风险预警指标体系。再次,将预处理后的指标数据作为逻辑回归、支持向量机、随机森林及stacking集成模型的输入项,建立了基于多模型的中国制造业上市公司信用风险预警模型。进而,以35家2019年首次被ST的制造业上市公司以及根据同行业、同时间、规模相近的原则匹配的119家非ST上市公司为研究样本,收集其2016年（t-3）、2017年（t-2）共154组指标数据,基于多模型的我国制造业上市公司信用风险预警模型实证分析表明,本文建立的信用风险预警模型对我国制造业上市公司信用风险状况具有良好的预测效果。最后,在对全部内容进行概括总结的基础上,本文从我国的相关监管部门、商业银行及上市公司风险管理三个角度就制造业上市公司信用风险预警提出了相应的政策建议。本文研究发现,从模型预测的整体效果来看,Stacking集成模型无论是在分类准确率、特异性还是AUC值都较有优势,能较好地识别、预警有信用风险的ST上市公司。SVM模型比较激进,能有效判别非ST上市公司,因此可以用SVM最优模型筛选无信用风险的上市公司。另外,各个模型利用2017年（t-2）指标数据进行预测时要比2016年（t-3）时性能要好。本文的创新之处主要体现在:在模型建立方面,本文不仅使用常用的逻辑回归模型进行了预测,还引入了目前比较主流的机器学习算法如支持向量机、随机森林、stacking集成学习算法来建立制造业信用风险预警模型,经过模型的比较与评估,探讨合适的制造业信用风险预警模型。目前国内上市公司信用风险预警模型主要采用单模型,数据量大且多元化给单模型的处理能力带来了挑战,使得预测结果可能不够准确完备,而基于两层学习器的stacking集成算法可聚合多个学习器建立模型,提高模型预测的准确度。此外stacking集成模型虽然在个人信用风险领域有所应用,但上市公司信用风险预警领域目前很少涉及,因此本文拓宽了 stacking集成算法的应用领域。