财务危机预警至今仍是数据挖掘领域的研究热点，为了有效解决异构高维财务数据的挖掘，论文提出一种新的财务数据预测模型。此模型是在核局部一致的概念分解（KLCCF）的降维基础上构建广义多核学习（GMKL ）分类模型。该模型很好地解决了复杂、高维、非线性的财务数据的分类问题，进而用于准确地预测财务困境。首先，核局部一致的概念分解较好地将高维非线性流形数据进行降维，得到有效的特征集，充分地展现数据流本质的几何结构。其次，谱投影梯度法（SPG）在步长设置上考虑二次信息，采用非单调步长选择准则减少评估函数的次数，它对梯度噪音具有较好的鲁棒性，进一步优化广义多核学习（GMKL）模型。最后，实验显示基于 KLCCF 的 SPG‐GMKL 分类模型优于 SVM 分类器，具有较高的分类准确性，有效地解决了高维异构财务数据的分类问题。