汽车制造业是我国支柱产业之一,该产业在国民经济中的占据重要的位置,而且具有投资金额和规模较大、投资时间长、技术含量高、可持续发展时间久等特点,一旦企业投资运营期间出现财务风险,将会造成不可预估的损失。2017年为《中国制造2025》的第二年,智能汽车驾驶和新能源汽车都是研究战略重点,我国是汽车生产和销售大国,市场潜力很大,企业财务风险运营显得更为重要。企业经营的环境也充满不确定性,财务风险预警的准确性不仅是对经营者和投资者一个警示,同时了解企业存在问题所在也至关重要。本文采用文献研究法、定性研究和定量研究相结合、跨学科研究法、实证分析法等方法,利用粗糙集理论对指标进行提取,并确定其权重,构建BP神经网络财务风险预警模型,预警模型仿真实验研究表明遗传算法优化的BP神经网络具有较好的预测效果,以此来满足汽车制造业行业相关利益者的需求。本文共分七章,主要内容包括:第一章为本文的研究目的和意义,同时针对国内外研究情况进行阐述,并且介绍本文运用的研究内容和方法。第二章分别从财务风险理论、粗糙集理论、BP神经网络理论、遗传算法理论四个方面探讨构建财务风险预警模型的理论依据。第三章概括总结汽车制造业财务风险的表现形式,并且从外部因素和内部因素两个方面介绍影响汽车制造业的影响因素。第四章结合汽车制造业行业特点和财务风险的表现形式,选取了18个财务指标和4个非财务指标,构建财务风险预警指标体系。第五章根据之前章节的论述,选取40家汽车制造业上市公司作为研究对象,并且以2014年财务数据作为研究样本,首先利用粗糙集理论对数据进行简约,提取关键性指标,使用遗传算法和神经网络(Matlab R2014.a实现)相结合构建的财务风险预警模型,将约简过后的财务指标作为输入量进入输入层,神经网络输出预期值,计算预警模型的准确率,并且验证可行性,根据指标体系提出相应的财务风险因素。第六章在分析汽车制造业上市公司财务风险表现形式结合BP神经网络模型仿真实验的结果,针对性的提出外部和内部风险影响因素的财务风险控制的措施。第七章结论与展望。通过以上各章节的研究,得出本文的研究结论,总结本文的研究不足以及今后深入研究的方向。本文主要的创新点主要为:(1)财务预警指标体系引入现金流量指标和非财务指标体系,并且通过粗糙集理论对指标进行筛选。(2)考虑BP神经网络模型的局限性,通过遗传算法进行优化,选出最优的权值和阈值。(3)首次将汽车制造业上市公司引入到遗传算法优化的BP神经网络模型中。