上市公司财务危机预警是结合经济学、统计学和计算科学的跨学科跨领域的研究热点。由于该项研究可以有效地预测上市公司在未来是否有可能发生财务危机,关系一国国民经济的发展和稳定,因此得到了专家、学者和政商各界的广泛重视。本文理论结合实际,从应用角度出发,根据上市公司财务数据高维、非线性和高噪声的特点,提出了基于粗糙集和神经网络的处理方法,相较于其他方法有着低时间复杂度和高预测精度的优势。本文研究的主要内容如下：首先,针对上市公司财务数据的特点,需要对其进行属性离散化处理。通过对现有的连续属性离散化方法的回顾,提出了基于动态邻域聚类的属性离散化方法,有效降低了数据处理的复杂度并且提高了整体的容错性,使之更适用于大规模和高维度的数据分析。其次,针对上市公司财务预警分析问题,利用粗糙集对不确定数据的分析能力和对高维度数据的处理优势以及神经网络对于数据的高容错性和预测能力,建立了上市公司财务预警分析模型,该模型有较高的准确性,可以通过其判断上市公司在未来几年中是否会出现财务危机。再次,针对本文提出的基于粗糙集和神经网络结合的上市公司财务危机预警模型,通过与单纯通过粗糙集和单纯通过神经网络的方法进行比对,有效验证了通过本文所给出方法进行预测具有更高的有效性、时效性和准确率。最后给出本文的结论和下一步研究的方向。