随着经济全球化进程的推进和国内外经营环境的越来越复杂多变,企业的生存也面临更多的挑战,而准确高效的管理决策能为企业持续经营发展带来强大的助力。财务风险预警一直是企业管理决策的重要研究课题之一,及时发现财务风险的存在和提前化解或规避风险,能为企业降低陷入财务危机的概率和为投资者避免一定的投资损失。如今,人工智能技术、机器学习和深度学习方法广泛应用于各个学科的研究,财务风险预警模型的研究也从小样本和单变量分析的阶段发展到今天的大样本和应用各种机器学习方法的阶段。针对财务风险预警场景的样本不平衡特点,本文从改善样本不平衡的角度出发,以构建具有良好泛化性能的分类模型为目标,开展财务风险预警模型的研究。首先,根据设定的样本选取原则和标准,从国泰安数据库选取并处理了2016-2020我国制造业上市公司数据合共6736条,涉及1608家公司,其中有118家为ST公司,样本集的指标体系由51个指标构成,包含财务指标与非财务指标。然后,针对Logistic回归模型的特点和经典SMOTE（Synthetic Minority Oversampling Technique）算法的缺点,提出了考虑特征权重来合成辅助样本的FW＿SMOTE（Feature Weighting SMOTE）过采样算法。并以三个公开数据集为实验验证数据,以1、和80)（69）)为评价指标,与SMOTE、Borderline＿SMOTE1和ADASYN（Adaptive Synthetic Sampling Approach）过采样算法进行对比,发现FW＿SMOTE算法能有效提升Logistic回归模型在不平衡样本集的分类性能。随后,基于FW＿SMOTE过采样算法,根据两种场景分别构建了FW＿SMOTE＿LR（Logistic Regression based on Feature Weighting SMOTE）和FW＿SMOTE＿BBLR（Balanced Bagging Logistic Regression based on Feature Weighting SMOTE）财务风险预警模型,分别与基于SMOTE、Borderline＿SMOTE1和ADASYN的LR（Logistic Regression）和BBLR（Balanced Bagging Logistic Regression）模型进行5折交叉验证结果的对比,以AUC、1、2等为分类性能评价指标,发现基于FW＿SMOTE的LR和BBLR模型综合预警效果更好。最后,比较分析FW＿SMOTE＿LR模型和FW＿SMOTE＿BBLR模型各自的优劣。