本文首先介绍了上市公司ST的成因、国内外研究现状,并对本文构建模型起主导作用的支持向量机学习法进行介绍;然后构建上市公司ST预警指标体系,具体分为两轮指标筛选:第一轮是通过支持向量机方法筛选出可以显著影响上市公司ST状况的指标,第二轮是通过R型聚类方法剔除信息冗余指标,然后利用ROC曲线法检验预警指标体系的有效性,从而构建了一套既能显著区分ST公司与非ST公司、又不存在信息冗余指标的上市公司ST预警指标体系;其次为上市公司ST预警模型的构建,基于支持向量机两分类模型建立起一个上市公司ST预警模型,并利用MATLAB 2015a和SPSS 20结合国泰安数据中心的上市公司财务数据,对构建的模型进行应用;最后通过模型的实证结果找出上市公司被ST的主要影响因素,对上市公司避免被ST提供一定的建议。本文主要创新点如下:第一,选用Levene方差齐性检验统计量W值识别预警指标的ST状况鉴定能力,采用R型聚类法按准则层聚类并保留每类指标中W值最大的指标,既删除了信息冗余指标又保留了具有显著ST状况鉴定能力的预警指标;第二,在ST预警指标体系的构建上,现有研究主要是人为挑选指标,这可能造成丢失部分重要指标以及存在信息冗余指标,本文通过支持向量机方法和R型聚类方法的双重筛选机制筛选预警指标体系;第三,上市公司是否被ST与预警指标之间为非线性关系,现有研究多基于线性关系构建多变量预警模型,扭曲了其实际关系从而降低了模型的预测精度,本文在支持向量机中选用高斯径向基核函数解决了这种非线性问题:第四,现有的财务预警模型多基于传统统计模型,如线性分类分析等,这些方法计算复杂、精度不高、泛化能力弱,本文采用人工智能方法中的支持向量机模型,该模型计算简单、精度高、泛化能力强。