我国证券市场的飞速发展,使得会计信息披露尤为重要。但是无论是国内还是国外,财务欺诈行为屡见不鲜,多家上市公司不断被爆出财务欺诈的丑闻,给广大投资者、企业、监管机构带来不利影响,威胁了证券市场的稳定。如何识别上市公司的财务欺诈行为,进而采取有效措施遏制财务欺诈行为,是目前我国证券市场亟待解决的重要问题。为此,应对上市公司财务欺诈行为进行准确识别,立一套精准的财务欺诈识别模型,不断完善审计对策,减少财务欺诈行为,保障证券市场的有效运行。本文主要研究上市公司的财务欺诈识别模型,在以往的研究以及现阶段可获得的数据基础上,本文选取了2014-2018年间被中国证监会、深圳证券交易所、上海证券交易所、上市公司、财政部等机构发布的存在财务违规行为的17个行业的335家A股欺诈上市公司样本以及五年间不存在财务欺诈行为的1395家非欺诈上市公司为配对样本作为原始样本进行建模分析。在指标选取方面,本文在反应上市公司偿债能力、经营能力、盈利能力和发展能力这4个方面尽可能多且全面的选取了可能影响上市公司财务欺诈识别的39个指标。本文首先利用Lasso特征选择筛选出9财务欺诈识别的相关指标,验证了上市公司的财务欺诈的识别特征。然后,利用4种集成学习算法:Ada Boost算法、梯度提升树（GBDT）算法、XGBoost算法以及最新的Light GBM算法进行欺诈识别,识别效果并不是很好,AUC值最高为76%;同时,与三种单一分类器:Logictic回归、决策树、朴素贝叶斯的识别效果进行比较,证明了集成学习算法在财务欺诈识别上要优于单一分类器。最后,提出了一种基于粒计算财务欺诈识别模型,在原始数据基础上,对5个会计年度数据通过比值法融入时序信息,然后通过主成分分析进行粒度提升计算了上市公司偿债能力、经营能力、盈利能力和发展能力这四个粗粒度指标,最后在粗粒度指标上运用集成算法识别财务欺诈,四个模型的AUC值都在91%以上,远远大于未经过粒计算的财务欺诈识别模型,证明了基于粒计算的财务欺诈识别效果要明显高于基于集成学习的财务欺诈识别。