传统对企业经营状况分析主要以企业的财务报表为基础,而财务报表一般只有上市公司才会公布,因此在缺乏财务报表情况下难以利用传统方法判断企业的经营状况。目前对此方面的研究较少,因此本文基于数据挖掘方法对企业经营状况分类,同时挖掘出影响企业经营的重要因素,研究具有一定的应用价值。首先分析企业经营相关的发展现状并且记录下可能影响企业经营的潜在因素,其次利用Python爬虫爬取数据构建企业数据集,再次经过数据预处理、特征处理及选择,分析数据选择类别标签,将对企业经营状况的研究转换成二分类预测问题。分类算法多种多样,本文首先使用常见的机器学习算法比如朴素贝叶斯、逻辑斯蒂回归等等分类模型,但是单一分类器难以处理复杂的问题考虑到异质集成学习Stacking算法和BP神经网络在分类问题中平均表现优秀,本文提出了一种基于Stacking算法和BP神经网络的改进的异质集成学习 Stacking-OS（Stacking-Optimization Selection）,对企业数据进行深层次挖掘。为了研究Stacking-OS模型相比其他分类模型的分类性能,本文选取了 UCI上6个不同的二分类公共数据集进行大量实验对比,实验结果表明Stacking-OS模型在准确率和稳定性均表现突出。通过企业数据集对比实验表明,Stacking-OS模型预测准确率最优,对预测企业经营分类有一定的普适性。之后使用具备可解释性且性能良好的LightGBM模型对企业经营特征的重要程度进行分析,并得出结论:周边环境一定程度影响着企业的经营,同时企业应该优先关注注册资本、住房租金、房价、每千米办公区数等等9个周边环境特征,企业经营范围应该优先选择金融业、科技信息服务业还有住宿和餐饮业。该结论对相关从业人员有一定的指导作用。最后将理论投入到实践当中,基于研究成果开发了企业经营预测系统,应用到“一带一路”大数据平台。通过实践应用检验了算法模型的有效性。