仅2017年就有浙江步森服饰股份有限公司、鞍山重型矿山机器股份有限公司等多家上市公司因财务舞弊而被证监会处罚。上市公司财务舞弊不仅给广大的投资者造成了重大损失,也损害了证券市场资源配置功能的发挥。因此建立一个有效的财务舞弊识别模型识别出上市公司是否财务舞弊就显得尤为重要。本文以制造业A股上市公司为研究样本,筛选出2009-2017年度因财务报表舞弊而被处罚的220个上市公司作为舞弊样本,按1:3配比选择了660个未被监管机构处罚过的上市公司作为正常样本。并将800个样本作为训练样本,80个样本作为检验样本用于检验财务舞弊识别模型的准确率。在指标筛选上本文根据舞弊三角形理论将舞弊识别指标进行分类,共得到54个舞弊识别指标,因考虑到反映压力的财务指标和反映机会、借口之间的非财务指标之间的关系可能是线性的,也可能是非线性的,本文分别运用了逐步回归和主成分分析进行指标筛选,最终获得了14个舞弊识别指标。因财务舞弊的公司相对于非财务舞弊的公司而言具有样本量小的特点,而财务舞弊往往又是相关利益者较为关注的。针对这种典型的非平衡数据,本文在模型构建上选择了BP神经网络和Adaboost组合的模型构建。本文通过检验样本对模型识别准确率进行了检验,得出了舞弊识别模型在对犯第一类错误率(将财务危机误判为财务正常)为25%;犯第二类错误(将财务正常误判为财务危机)率为18.33%。最后本文将审计模型应用于具体案例。最终表明该模型具有较高的推广价值。