财务失败预测是金融领域一个重要的研究课题.自上世纪60年代以来,随着企业破产问题的日益严重,各国学者纷纷尝试通过定量分析对企业破产做出预测,从多元判别分析等线性预测模型,到以神经网络为代表的各种非参数预测模型,研究成果层出不穷.目前,国内对公司财务失败预测的研究处于起步阶段,主要以借鉴国外传统统计模型为主.随着市场经济体制的不断发展和完善,如何对企业财务失败做出准确的预测,成为金融界、企业界和政府管理结构迫切需要解决的问题.该文以国内上市公司为研究对象,将因财务状况异常而被特别处理(ST)作为企业发生财务失败的标记,利用支持向量机和决策树分类算法,进行财务失败预测模型的构建.支持向量机是统计学习理论的新发展,与神经网络相比,它较好地解决了局部极小、过拟合等问题,具有坚实的理论基础.针对财务失败预测问题,论文首先选择了有较强说服力的研究样本,在进行有效的特征选择后,利用支持向量机算法,建立了财务失败预测模型.实验表明,该模型比Logistic、神经网络等模型有更高的预测精度.决策树是一种通过归纳学习来发现训练集中分类知识的机器学习方法,具有速度快、精度高、生成的模式简单等特点.针对财务指标均为连续数值的特性,进行了连续属性离散化的研究,改进了一种RCAT算法;对多种离散化方法进行了比较,得到了复杂度低、解释性强的决策树.进而,创造性地将多种基于不同离散化策略生成的决策树进行了集成,得到了具有更高分类精度的集成分类器.以多区间离散化方法构建的决策树在财务失败预测实验中,同样得到了较好的效果.同时,结合财务知识和对财务失败预测的研究,设计开发了一个实用财务分析软件系统.该系统实现了基本的财务分析功能,为该文研究提供了可靠的研究数据,并将为该文所研究的财务失败预测模型实用化后嵌入软件系统奠定了基础.