近几年,由于世界经济复苏乏力、国内经济也面临着巨大的下行压力和经济转型升级,上市公司面对较大的经营压力,退市风险也逐步显现。上市公司的风险问题不但会给企业带来重大的损失,同时也会严重影响投资者、债权人等多方的利益。如果企业能够提前预知风险,便可以尽可能地规避风险。同样的,企业的净利润是衡量企业发展程度的一项重要指标,准确地预测净利润有助于帮助企业制定合适的发展战略,进一步促进公司的发展。因此如何从企业繁复的数据中,筛选指标提前进行风险预测防范以及企业净利润预测,对于企业的稳健发展极为重要。本文选取2015至2020年A股上市公司的财务指标数据,依据深度学习理论,使用神经网络技术建立了财务风险预测和盈利预测模型,对上市企业的财务风险和盈利进行预测,为企业决策提供理论支持。本研究所做的主要工作有:1)提出了一种用于财务风险预测的MS-BGRU方法,利用2015年到2020年的A股财务指标进行建模,并将实验结果与多种模型进行对比,发现:相比于CNN、GRU、BGRU和MS-GRU模型,所提出的MS-BGRU模型的识别准确率更高,达到了98.03%。说明多尺度卷积特征提取器和BGRU模型的结合不仅考虑了空间局部特征,还学习了时间语义信息,有助于提高财务风险预测的准确率,为企业的财务决策提供理论依据。同时,实验中引入dropout,结果表明合适的dropout值消除减弱了神经元节点间的联合适应性,因此可以有效地增强模型的泛化能力。2)结合注意力机制和财务盈利的特点,本文提出了适用于财务盈利预测的MSBGRUA和MS-ABGRU方法,同样利用A股数据进行建模,并进行多次对比实验。实验结果表明:MS-BGRUA或MS-ABGRU的均方误差比CNN、GRU、BGRU或MSBGRU模型更低,且MS-BGRUA模型在财务盈利预测任务上的学习能力优于MSABGRU。这说明注意力机制的引入能够有效提高模型的特征表达能力,并且后置注意力层更能将决策权重分配在更有判别力的特征上,所得结果更好。3)本文所提出的模型提高了财务风险和盈利预测的学习能力,能够为企业决策提供理论和数据支持。