在全球经济一体化的大背景下,市场环境变得更加不确定,企业面临的财务风险也在增大。财务危机会阻碍企业的健康发展,为投资者带来损失、加剧企业员工的失业风险、增加银行信贷无法收回的可能性。如果很多企业都遭遇财务危机,这无疑会影响到国家经济发展、金融安全和社会稳定。因此,建立财务危机预警模型对企业进行预警研究变得十分必要。最初引入财务危机预警的工具是判别分析法等统计技术。随着计算机的广泛使用,机器学习方法被应用到财务危机预警中。其中,支持向量机(Support Vector Machine, SVM)受到了很多学者的亲徕。该方法是统计学习理论的分支,以结构风险最小化准则为基础。支持向量机的学习能力很强,能够在少量数据的基础上训练算法,并适应新的数据样本。其独特的核函数也为高维问题提供了很好的解决方案。但是,单纯依靠传统的财务理论知识对企业的财务状况作出判断,并不能适应现代日趋复杂的外部环境。不确定环境中,模糊积分可以作为一种极强的推理工具。利用模糊积分集成单分类器,不但能充分利用各个单分类器的优势,还能考虑分类器之间的交互作用。近些年来,模糊积分作为集成算法在财务危机预警领域得到了成功的使用,获得了诸多研究成果。以往的财务危机预警研究一般都收集公司的财务数据作为实验样本。现有研究表明,盈余管理在很多企业中普遍存在。公司很可能为了掩盖财务报表的某些纰漏或不足,而操纵盈余。因此,有盈余管理的公司的财务数据与没有进行盈余管理公司的财务财务数据具有有不同的特征。综上所述,本文提出了一种基于盈余管理和模糊积分的支持向量机集成框架。主要的研究内容如下：首先,本文使用前三年的财务数据来预测公司目前的财务状况。根据公司是否进行了盈余管理,将每一年的样本公司分为两类,然后分别在不同的分类器上训练。然后,本文提出一种模糊测度确定和调整方法,在此基础上用模糊积分进行集成。在模糊测度的确定中,本文考虑了财务数据的一个特点：公司越近的财务数据在评估当前的财务状况时越有用。此外,使用由历史数据训练的模型预测公司目前的财务状况时,由于外部环境可能会大大改变时,所以本文根据实际情况对模糊测度进行了调整。在更新模糊测度时,本文考虑了每个单分类器的输出的可信程度、分类器输出结果之间的相似程度和分类器自身所具有的不同特性。为了验证本文所提出的新预警框架的性能,我们对中国股票上市公司的财务数据进行了实证研究。实验结果表明,在财务危机预警模型中考虑盈余管理和引入新模糊测度学习方法可以提升性能。