2015年是我国开始追求高质量经济发展的新阶段,经济明显降速换挡,宏观环境的大背景为债券如期兑付带来压力,国有企业于同年开始出现信用类债券违约事件,加之2019年末新冠疫情的爆发,使企业本身积累的各种问题逐渐暴露出来,在多方面的影响下,2020年国有企业债券违约创下历史最高,影响颇深。债券市场作为我国金融市场重要的组成部分,国有企业债券违约始终受到投资者、社会公众及监管机构等的高度重视,因此,对于近几年国有企业频繁发生大规模违约事件的研究具有深远的理论与实践价值。本文结合前人在债券违约方向的研究成果与理论,在此基础上加以创新,从企业自身情况、监管关注重点及地方政府实力三个维度构建影响因素指标池,使用多种机器学习模型对近几年国有企业债券违约情况进行研究。结合各类债券的发行条件和监管关注重点,把握国有企业的特性,同时通过网络爬虫等技术对难以获取的数据进行补充,丰富了债券违约影响指标的宽度,使用SVM模型、GBDT+LR模型、Random Forest模型、Light GBM模型以及MLP模型这五种常用的和具有模型融合理念的机器学习模型进行模型的测试和效用评价,并使用效果较好的Light GBM模型对特征变量的重要性水平进行打分,对有重要影响的特征进行解释分析。根据本文在国有企业债券违约风险预警的研究,本文发现:使用具有模型融合理念的GBDT+LR模型和Light GBM模型在国有企业债券违约风险识别中,表现出良好的性能;根据模型结果,在预警的指标上,企业的已使用银行授信比例是影响国有企业债券违约最重要的因素,企业的盈利能力及资本结构也在很大程度上影响债券违约的风险,监管机构关注的要点非经营性往里占款和发行人所在省份对债券的偿付起到至关重要的作用,同时国有企业所处政府的实力在一定程度上也影响着债券违约风险。