上市公司在国民经济中的地位不言而喻,其财务状况更是各方利益主体关注的重心。当前多变的经济环境迫切要求上市公司建立起适合本公司的财务危机预警模型以防被市场无情淘汰。本文选取了计算机、通信和其他电子设备制造业的深沪A股上市公司作为研究样本,建立了该行业的财务危机预警模型。在对财务危机预警领域的研究进行了阅读与整理之后,本文明确了研究思路并确立了框架。本文首先对财务危机预警领域的文章进行了研究综述,系统介绍了以往文献中对财务危机的定义、财务状况的分类以及它们所建立的财务危机预警指标体系、财务危机预警模型。接着本文对将会运用到的相关机器学习算法包括各单分类器与集成算法的原理及优缺点进行了详细阐述。然后是进行实证研究,本文运用偿债能力指标与盈利能力指标这两个维度建立了一个四象限矩阵对样本的财务状况进行分类,构建的指标体系包含了财务信息与非财务信息并运用特征选择方法对其进行筛选,将整理过后的数据导入运用stacking集成算法建立的异质分类器集成模型输出结果,并运用随机森林构建同质分类器集成模型与其进行对比。最后用化学原料及化学制品制造业的数据对本文建立的模型进行泛化性能测试。结果显示,两个财务危机预警模型对于同一数据集有相近的表现,且在对财务危机类企业进行预测时,两个模型的准确率均较高。但从总体上看,stacking集成算法模型要优于随机森林模型。对于不同行业的数据集,模型依然有着较好的预测效果,模型的泛化性能较好。