自上海、深圳证券交易所成立,我国证券市场高速成长,上市公司蓬勃发展、百花齐放。然而,由于我国证券市场正处于成长阶段、运作与监管体系尚在完善、信息不对称等原因,上市公司财务造假现象层出不穷、愈演愈烈,不仅损害了广大投资者的切身利益,还影响中国市场的稳定健康发展。随着信息技术的发展,以机器学习为代表的数据挖掘技术被广泛应用于财务造假识别。然而,财务造假面临着内在的样本不平衡与代价敏感性问题,而财务造假的识别与披露具有时滞性,同时纯数据驱动的机器学习算法大多为弱解释性的黑箱模型,且鲁棒性低,这些缺陷共同制约数据挖掘在财务造假识别应用的效果。针对这几个问题,本文提出了以知识增强数据的知识驱动模型,充分利用上市公司数据与财务领域知识,将目标分解、代价敏感学习及知识推理等方法有机结合,应用于上市公司财务造假识别。本文以中国上市公司作为研究对象,从上市公司数据中抽取规则,并结合财务领域知识构建知识库,通过知识推理实现财务造假识别。在数据挖掘模块,首先通过对财务造假案例的知识分析将财务造假识别转化为具有不同学习目标的子模型,并利用代价敏感学习优化机器学习模型,从大量上市公司数据中抽取案例规则,以扩充财务造假知识库。在知识推理模块,从正常经营和财务造假两个维度总结出财务造假领域知识,提炼财务造假核心规则,丰富知识规则库,并通过逻辑推理与概率计算对上市公司财务造假概率做出判断。最后,进行财务造假识别与案例分析:一方面,在测试集上对数据驱动与知识驱动模型进行分类实验,根据分类效果评估知识驱动模型的有效性,同时构建财务造假识别的知识结构图;另一方面,利用知识驱动模型对不同类型的上市公司进行财务造假识别与分析,发现潜在造假公司,验证模型的现实应用意义。本文提出一种知识驱动的财务造假识别模型,创新性地将领域知识与数据挖掘结合,通过利用目标分解与代价敏感学习改善传统机器学习模型,并融入财务造假领域知识库进行知识推理,缓解样本不平衡与代价敏感性、降低财务造假标签的不稳定性、提高模型可解释性。通过研究,探究上市公司财务造假路径与财务造假识别的知识结构,不仅提高了对财务造假样本的识别正确率,而且能够发现潜在的财务造假上市公司,有利于对上市公司潜在财务造假行为的预警,为投资者决策、监管机构审查及上市公司规范经营提供指导性意见。