随着我国债券市场的飞速发展,近年来公司债券违约事件日益增多。为了全面发掘债券违约影响因素与构建债券违约风险识别模型有效识别违约风险,本文在充分考虑公司治理因素的基础上,利用Catboost算法构建债券违约风险识别模型,克服了现有债券违约风险识别模型中存在的预测准确率较低、影响因素考虑片面等不足。本文的研究有助于为投资者提供及时可靠的预警,同时对于完善债券监管体系,建立公司债券违约预警机制有着重要意义。本文在研究中,首先将Catboost算法与传统统计学方法和个体机器学习算法进行比较,分析了其在债券违约风险识别中的适用性。其次运用不完全契约与财务困境等理论对债券违约公司的特征进行分析与识别,得到有关影响债券违约的重要宏观环境因素、微观财务特征因素以及公司治理因素,形成了债券违约风险识别的指标体系。再次将2014-2019年沪深A股债券违约上市公司和按照1:3比例选取的,剔除行业与规模影响的未违约上市公司作为研究样本。接着将研究数据随机划分,将其中70%的数据作为训练集,30%的数据作为测试集,训练集用于构建债券违约风险识别模型,测试集用于测试模型的识别能力。然后使用已构建的公司债券违约预警模型对2020年选取公司进行概率预测,并与真实值进行对照,验证构建模型的泛化能力。最后,本文对已构建模型的优越性进行了对比分析,同时针对模型构建所使用指标进行提炼得出影响公司债券违约的核心指标。核心指标的提炼有助于投资者提高识别违约风险效率。本文通过研究发现:利用Catboost算法构建的债券违约风险识别模型具有较强识别能力与预测能力,可以正确识别样本中大约95%的样本,预测能力远超传统统计学方法（Logit模型）与个体机器学习方法（BP神经网络）,验证了Catboost算法的优越性。相比于仅仅考虑财务信息的模型,嵌入公司治理变量的模型具有更强的预测能力,说明公司治理因素能极大地提高公司债券违约风险识别模型的预测能力。基于研究结论,本文从债券监管机构和上市公司两个层面提出了防范公司债券违约风险的相关政策建议。