金融风险预警是金融数据挖掘中的一个重要研究方向,由于金融数据具有类型多样、关系复杂、数据动态性、数据量大等一般特征,此外还有高噪音、非正态等特征。因此,金融风险预警更有挑战性。运用数据挖掘技术能够从海量的金融数据中发现隐藏在其背后的规律,有效地降低金融机构的运营风险,因此金融风险预警有着广阔的应用价值和市场前景。本文的研究工作共分为六个部分,其具体的结构安排如下：第一章首先介绍本课题研究的历史背景及意义,同时回顾了关于金融风险预警和数据挖掘技术的国内外研究现状,并在此基础上提出了本文的研究目的与意义。第二章在主要介绍了关于金融风险基本概念及其风险预警的一般步骤。第三章系统的分析了数据挖掘的方法及其特点,并对其在金融领域中的应用进行了分析,通过与金融领域中传统方法的对比,证明了数据挖掘技术是可行的。第四章重点研究了模糊聚类模型,在传统的模型上添加了聚类数c和权指数m的改进方法。考虑到BP神经网络模型的收敛速度慢,目标函数存在局部极小点,隐含层数和隐节点数难以确定等缺点,本文采用增加动量项的改进BP模型。将两种模型组合而成的混合模型应用到在金融风险预警领域。第五章根据第四章建立的混合模型进行了实证分析,并与BP算法分析的结果进行了误差对比,结果表明了混合模型的优越性。第六章是本文的最后一章,在这一章中,我们首先对本文的所有工作进行了总结。同时,我们也指出了仍然有待解决的几个问题以及本课题今后的研究方向。