目前,我国市场经济前景广阔,上市公司众多。我国经济正处于快速发展阶段,但相关机制不太完善,导致上市公司财务违规行为频发,虽然已经采取监管措施打消了部分上市公司财务违规行为,但仍存在一些问题。有的公司为了自身利益而造假财务状况并向证券市场传递未经审计的财务报告,所以如何有效过滤和抵制上市公司财务违规对现在的中国证券市场是一个关键问题。在此背景下,本文对各种识别财务违规模型进行了研究及改进,对模型的识别效果进行了分析,这体现了一定的现实意义。首先,本文基于上市公司违规数据库,从国泰安数据库中选取2010-2019年因财务违规受到惩罚的上市公司,最终确定3035个违规样本。根据对照原则,选择同年、同行业和同规模的3035个非违规作对照样本;其次,按照全面性、可行性和客观性从财务指标和非财务指标对公司整体情况进行刻画,初步选出了46个初始指标,进行显著性检验后筛选出了42个指标。将这42个指标分别用随机森林、Boruta和Relief算法进行特征选择;然后,将三种特征选择算法选择的指标与未经指标筛选的原始指标相结合,形成的数据集分别在KNN、随机森林、朴素贝叶斯、支持向量机、决策树和XGBoost这六种模型下进行检测识别。通过对不同评价方法的评价后,找到了最有效的模型是经过随机森林算法筛选后的指标组合与随机森林结合的模型;最后,为了得到更好的模型效果,构建Stacking集成算法模型。通过对比发现,用随机森林特征选择后的随机森林模型和Boruta算法特征选择的XGBoost模型作集成融合时,Stacking集成识别模型效果最好,在评估指标和适应性等方面都有不错的表现。因此可以得到结论,Stacking选择性集成算法集成了各个分类算法的特点达到了博采众长的目的,在识别上市公司是否财务违规问题上有较大的应用价值。同时为了验证本文模型的应用价值,基于Stacking集成模型识别并预测出2020年上半年上市公司发生财务违规的概率和类别,这有助于上市公司监管机构和审计机构利用模型预测结果进行进一步判断与决策,表明了本文的研究具有很好的应用价值。