随着世界一体化、经济全球化的推进,我国经济发展迅速,市场瞬息万变。我国上市公司在拥有更多机遇的同时也面临着更大的挑战,企业经营风险越来越大,经营过程中的一个策略失误,就可能使企业陷入危机,轻则导致企业发展变缓,错失发展良机,重则使企业面临退市,宣布破产。在此背景下,企业危机预警系统的作用日益凸显。良好的危机预警系统,不仅能提早对企业危机进行预警,还能有效帮助企业寻找警源,把危机扼杀在萌芽阶段,保障企业健康快速地发展。本文在回顾和总结国内外大量关于财务危机预警的研究文献,分析国内外研究优缺点的基础上,结合我国上市公司的具体情况,确定相应的预警指标体系,构建了基于统计学习方法的财务预警模型。在结合相关性分析和主成分分析的基础上分别使用支持向量机、Logistic回归、BP神经网络构建财务危机预警模型。本文构建的基于统计学习方法的财务预警模型,可以有效的克服现有的Z分数方法和Fisher判别方法需要样本满足限定条件的缺陷,同时本文构建的基于统计学习方法的预警模型,可以随着时间的推移,当有新的训练样本时,即时对模型进行训练,调整模型参数,提高模型预测能力。本文选取沪深两市A股下的62家ST公司和用于配对的62家非ST公司作为研究对象,使用Python中的Scikit-learn机器学习包,对模型进行构建,使用交叉验证和网格搜索技术进行模型训练和参数调优。分析训练后的模型在训练集和测试集的预测得分情况,实证结果显示,本文构建的三种财务预警模型在测试集上都能达到80%以上的预测精确度,说明了构建的三种预警模型的有效性。同时研究发现,基于支持向量机构建的预警模型在高准确度条件下具有更好的稳定性,优于基于Logistic和基于BP神经网络构建的预警模型。