公司财务困境预测一直是公司风险管理领域一个重要的研究问题。公司一旦发生财务危机，势必会对经济、投资者、金融机构、监管部门以及公司本身带来不可忽视的影响。因此，建立一个有效的财务困境预测模型以便在公司陷入财务困境之前发出预警信号，对于各利益相关主体来说都具有重要的现实意义。
　　目前，财务困境预测研究多集中于运用多元线性回归模型、Logistic模型、神经网络模型等分析方法，这些模型对现实世界的刻画能力还停留在线性或浅层阶段，而企业发生财务危机的原因复杂多变，传统模型已很难刻画这种复杂关系。随着大数据时代的来临，深度学习模型凭借其能够捕获高维数据之间复杂的非线性关系的优势逐渐被运用到各个领域，本文尝试将其应用到财务困境预测领域，以期能获得更好的预测效果。
　　本文构建了包含二十三个财务指标在内的深度学习财务困境预测模型，基于样本公司（t-3）的财务指标数据对其t年是否陷入财务困境进行预测。选取了沪深A股上市公司2001年至2018年期间每年首次被ST的公司作为陷入财务困境的公司样本，并在每年以5倍于ST公司数量选取了匹配的非ST公司作为财务正常的公司样本，构成2790个总样本，并以9:1原则划分训练集和测试集，在训练集上先采用自动编码器算法对深度学习模型进行特征学习，然后采用BP算法对模型进行分类学习，最后用测试集验证训练好的深度学习模型，得出预测准确率。同时，也对比了Logistic模型和BP神经网络模型的预测结果，结果表明：深度学习模型对上市公司的财务状况具有较高的提前三年预测能力，总体预测准确率达到了78.33%，预测ST公司的准确率更是高达82%，并且预测能力明显优于Logistic模型和BP神经网络模型，这说明本文构建的深度学习模型完全可以应用到上市公司财务困境预测领域。最后，基于得出的结论，本文分别为企业、投资者以及监管部门提供有价值的建议。