我国上市公司经历了二十多年的发展，证券市场日趋成熟，有力地带动和促进了国民经济增长，完善了市场经济体制。然而，上市公司财务舞弊事件却是屡见不鲜，这些舞弊事件不仅直接导致上市公司本身蒙受巨额损失，而且使上市公司利益相关者的权益受到威胁，严重危害证券市场的正常发展。一直以来，财务舞弊识别问题就是相关领域研究的热点和难点问题。早期，研究人员大多以上市公司公布的财务数据为研究依据，使用一般的统计回归方法，获得了一定的财务舞弊预警和识别效果。但是，最近几年以来，财务舞弊事件呈现出越来越难以预警的特点，原因是舞弊主体的手段越来越隐蔽，修饰财务数据难以有迹可循。因此，对于财务舞弊的识别不应局限于使用上市公司财务指标，而是应当基于舞弊公司难以控制的外部环境指标，使用数据挖掘等人工智能方法才能有效地应对这一变化。本论文正是基于这一思路，首先通过国内外相关文献的总结和梳理，对目前财务舞弊识别研究理论、方法及其优缺点进行整理和分析。理论方面，本文对财务舞弊、公司环境以及数据挖掘技术进行理论性概括和定义，并分析公司环境对财务舞弊的影响。然后，本文提出一套较为完整的财务舞弊程度评价方法，用以评价舞弊上市公司的舞弊严重程度，进而将舞弊上市公司样本区分为严重舞弊上市公司和一般舞弊上市公司。在此基础上，通过筛选适当的样本和内外部环境指标进行实证研究，使用支持向量机、贝叶斯网络和决策树三种数据挖掘方法对上市公司财务舞弊行为进行识别，并建立财务舞弊识别模型，用于判定上市公司舞弊与否以及舞弊的程度大小。实证结果表明，三种方法的平均识别率都在70%以上，其中支持向量机和决策树两种方法的识别效果较为稳定，而将这三种单独分类器进行集成能达到更为理想的识别正确率。最后，对经过训练的模型进行检验，得到最终的结论，为今后的财务舞弊识别研究提供必要的理论的和方法支持。