近年来,国家通过不断加强立法来遏制上市公司的财务造假行为,增强对上市公司财务造假的监管力度和处罚力度。然而,中国A股市场4205家上市公司中曾有财务造假行为的公司占比达到49.01%,尤其是2019年以来接连发生的康美药业、瑞幸咖啡等上市公司的财务造假案件,严重损害上市公司信用。说明现行的传统的只依靠法律和监管机构进行监管,以上市公司公开披露的财报数据为基础的上市公司财务造假监管方法存在原始数据可信度存疑、识别指标的选择标准不统一、监管权力过于集中,识别与披露的时效性差、准确率不高等缺陷。区块链技术具有去中心、抗篡改、可追溯等技术优势。上市公司财务造假识别与监管的参与方较多,且各自职责不同,信息披露要求高,有一定的准入门槛,因此适宜利用联盟链来管理。然而,传统的联盟链框架存在以下问题:（1）缺少共识节点规模确立机制;（2）传统的共识算法不涉及对节点风险的评估,缺少有效的共识节点选择机制,且所有共识节点投票权均等;（3）共识节点的选择标准是随机的,使得恶意节点也有成为共识节点甚至是主节点的可能性,影响系统数据的可信度;（4）传统的共识算法不会定期更换主节点和共识节点,记账权被固定,使得恶意节点较难被剔除,只有当恶意节点成为主节点时,触发视图切换才能被剔除。针对上市公司财务造假识别及共识算法中存在的问题,本研究做了以下改进工作:（1）构建了基于财务指标与非财务指标混合的泛指标的上市公司财务造假识别指标体系;（2）提出了基于Lasso回归、弹性网、递归特征消除、最大信息系数、梯度提升决策树算法的特征选择组合模型;（3）分别采用随机森林、支持向量机、逻辑回归、决策树、BP神经网络等五种机器学习算法构建上市公司财务造假识别模型,并对五种模型的模型评估结果进行比较分析,选择准确率和召回率最高、漏报率最低的机器学习算法作为上市公司财务造假识别模型的基础算法,着力提高识别模型的准确率和召回率,降低漏报率;（4）以识别模型的识别结果和模型漏报率为基础数据,本研究提出了基于节点风险评估的加权拜占庭容错共识算法,即RW-PBFT共识算法。RWPBFT共识算法根据上市公司财务造假识别模型的漏报率（未能成功识别造假公司的比重）,确定允许参与共识节点竞选的节点规模和共识节点规模;同时提出了动态节点信用值评分机制,结合财务造假识别模型的识别结果计算得出上市公司财务造假信用值（节点信用值）,并以节点信用值为权重,作为共识节点的选择标准;将共识成功的标准由传统PBFT共识算法的统计节点确认数,改为计算加权的节点信用值权重和,增加了对恶意节点的容忍数量;主节点轮换由按序号顺序轮换改为由节点信用值权重最高的节点成为主节点,降低主节点错误率,避免频繁的视图切换;结合节点历史信用值和当期信用值综合评估节点并排序,优先任命造假风险低的上市公司作为共识节点,并定期举行共识节点换届,实现上市公司财务造假识别与监管联盟链系统的交易记账的可靠性,提高共识算法成功率。上市公司财务造假识别模型的实验结果表明,相比决策树、逻辑回归、支持向量机、随机森林算法,基于BP神经网络算法的识别模型具有更高的准确率、召回率和更低的漏报率,模型的准确率、召回率和漏报率分别为:92.49%、94.98%和5.02%。在此基础上进行RW-PBFT共识算法的仿真实验,并在同等条件下与PBFT算法进行了对比。实验结果表明,相比传统的PBFT共识算法,本文提出的RW-PBFT共识算法的共识成功率提高了13.155%、主节点错误率降低了10%、消息正确率减小了18.31%、能容纳更多的恶意节点,系统容错性更高。