自2014年债券市场首次发生信用债违约后,债券违约事件频发,2018年以来违约规模更是呈现爆发式增长态势,达到了创纪录的1206亿元之巨,引发了投资者的恐慌。在打好“三大攻坚战”的背景下,我国的信用债违约风险受到投资者、监管层的持续关注。本文在介绍了我国近年来信用债违约状况基础上,从引发企业信用债违约的直接因素和间接因素两方面进行了理论和现实的分析。对于如何精准而有效的预测企业信用债违约,大量文献采用了KMV模型。本文研究发现:单纯KMV模型测算的违约距离和违约概率在中国市场上的应用有一定的局限性。首先,由于国内二级市场不成熟,股票价格波动巨大,因此股权价值、波动率可能在某段时候存在失真的情况;其次,不同行业的资本结构会对公司的债务价值产生影响,可能会对违约距离和违约概率的计算产生影响,导致不同行业的违约概率的存在较大的差异。本文引入了KMV--SMOTE随机森林模型,选取了32家违约上市公司和160家非违约公司为样本,从宏观经济因素和微观的企业财务因素、市场交易因素和结构因素入手,共选取了上市公司首次发生违约前一年的23个变量的数据,并运用SMOTE算法对数据进行处理,以改善非平衡数据问题,降低过度拟合的可能性,提高模型预测的准确性。实证结果显示净利润/营业总收入、股权质押比例、销售净利率、EBITDA/带息债务、违约距离和净利润（同比增长率）、净资产收益率（ROE）等变量是影响上市公司债券违约的重要因素。同时,经过修正的随机森林模型的预测准确率能够从原先的92.7%,提升到96.9%,,提升了4.2%。说明KMV--SMOTE随机森林模型能够有效的预测信用债的违约,具有重要的实际意义。最后,根据本文模型的得出的结果,为投资者、上市公司和监管层提出相关的建议。