在我国创新驱动和供给侧结构性改革的背景下,债券市场存量增大,企业面临扩张风险和融资风险,债券市场打破刚性兑付现象频繁发生,其违约风险越来越受关注。结合大数据和人工智能背景,在债券市场上建立科学的违约预警模型有助于整体利益最大化,实现市场经济的健康发展。通过阅读国内外学者的研究发现,现有债券违约风险预测模型较少关注类别的多样性,多使用单分类器模型,且多基于平衡样本进行研究。本文基于风险管理和分类预测等理论,从债券发行主体角度出发,建立一套财务指标体系来预测企业发行债券的违约风险。利用支持向量机作为基本分类器,通过SMOTE插值技术和Bagging技术结合来解决类别间数据非平衡问题,选择OVA和OVO两种分解策略来实现多分类,完成企业债券违约风险预测的多支持向量机集成模型的研究。为了评价本文提出的模型预测性能的优劣,构建多个对比模型,通过实证分析和统计检验分析得出结果并提出建议。本文搜集了中国债券市场2014-2018年公开发行债券的公司的财务指标样本数据,将债券分为极低违约风险债券、较低违约风险债券、高违约风险债券三类,然后代入模型进行训练和预测,实证结果得出:(1)本文构建的多类别企业债券违约风险预测的多支持向量机集成模型能较好的提升多类别分类预测性能,提高少数类别预测准确率的同时,比单分类器模型有更强的稳定性。(2)基于OVO分解策略下建立的模型比基于OVA分解策略的模型具有更强的预测性能。综上,该研究有利于进一步完善风险管理理论和分类预测理论,同时在模型角度对多类别和非平衡的处理提供了思路,从财务指标角度为企业管理提供了建议。