信用评价是上市公司财务困境预警研究的重要手段之一。精确地量化信用风险，有助于银行进行有效的信用分析和风险管理，从而增加利润规避风险。本文以深沪两地上市公司为研究对象，分别进行了两类和三类模式识别。在两类识别中，共统计了106家上市公司2000年的相关数据，其中有53家ST及亏损公司作为一类经营“差”的企业，另有53家不亏损公司作为一类经营“好”的企业。把样本随机分为63个训练样本和43个测试样本，排除了异常样本后分别输入模糊神经网络、BP网络、Elman网络进行训练和测试。结果显示，模糊神经网络和Elman网络的分类预测结果最优，都错判了一个样本，Elman网络把风险低的企业错判成风险高的企业，ANFIS则相反；而BP网络错判了4个企业。模糊神经网络的训练误差达到0.072，分类精确度达到97.3％，对上市公司的信用分类效果较好，优于传统的BP网络。而在三类识别中，采用的是我国深、沪两交易所2000年96家上市公司，按照其经营关况分为“好”、“中等”、“差”三个小组，利用ANFIS训练网络并对测试样本作分类预测，得到网络的分类精确度为74.2％；而通过增加隶属度函数的个数，发现网络的判别精确度有明显提高，达到87.01％。然后把分类结果与传统的判别分析方法作对比，发现模糊神经网络的分类准确度比判别分析方法高，但判别分析在分类信用“差”的样本时有明显的优势。文章共分四个部分，在绪论部分介绍了国内外信用评价研究的现状及问题、并着重概述了模糊神经网络信用评价的发展；第二章是五层模糊神经网络的构建。首先描述了模糊推理系统，再逐层介绍ANFIS模糊神经网络。第三章着重说明ANFIS的混合训练算法，包括前向传递过程中的最小二乘估计法和反馈过程中的梯度下降法。第四章以深沪两地上市公司数据为样本作实证分析，解释了指标体系的选择，并把ANFIS的分类结果与传统的信用评价系统作比较后得出本文的结论。