目前我国经济市场发展迅速,上市公司数量逐年增长,截至2021年10月中国共有5243家上市公司,其中A股上市的有4512家。但是自资本市场成立,上市公司财务舞弊的现象便一直存在,这种行为恶意破坏市场秩序,给社会带来了严重危害。且由于财务舞弊具有隐蔽性和复杂性,舞弊被发现往往不够及时,常常在数年后才能彻底查清并给予惩罚,违法成本低。随着信息时代的高速发展,数据挖掘技术成为大数据下的重要工具,逐渐取代传统的机器学习算法。其中的神经网络模型具有海量数据下的高性能处理方法、具有深度学习能力、联想存储能力等优点。本文旨在研究神经网络模型对比传统逻辑回归模型的识别效果,并对模型进行优化,寻找识别效果最好的神经网络模型参数。本文对财务舞弊及舞弊识别的相关理论和实践情况进行研究分析,对比研究目前舞弊识别方法的特点和不足并分析神经网络模型的优势。在实证部分,首先构建指标体系并选取样本,本文按1:2的比例选取1999年-2020年间的上市公司舞弊和非舞弊样本共1687个;接着构建逻辑回归模型、径向基神经网络模型和多层感知器神经网络模型对样本进行初步测试,选择识别能力较好的多层感知器模型进行参数优化。本文的创新点在于采取新的研究视角和得到新的研究结论两方面,研究对比机器学习与大数据挖掘技术在识别财务舞弊上的表现,不仅得出神经网络模型的识别效果较好的结论,还优化参数提高识别效果。研究结论:（1）径向基函数和多层感知器模型的初步识别准确率分别为77.7%和81.9%,远高于逻辑回归模型66.63%的准确率;（2）当选用多层感知器神经网络模型,设置第一层和第二层隐藏层神经元数分别为13和10时,财务舞弊的识别效果最好,准确率可达84.77%。综上,本文为优化应用于舞弊识别上的神经网络技术提供参考,为财务舞弊识别模型的研究奠定了基础,为投资者了解上市公司舞弊情况提供思路。