公司财务造假是一个历史悠久、影响极其恶劣的国际性难题。1720年的英国南海公司事件是世界上第一例上市公司财务造假案。南海公司事件直接导致了两个结果：一是股份公司近100年的关闭；二是以注册会计师为主体的民间审计的出现。尽管如此,公司财务造假现象一直没有消失,远的如1929年美国罗宾斯财务造假导致的美国股市的大崩溃,近的如2001年美国的安然公司事件都是典型的财务造假案例。而在我国,继琼民源、PT郑百文等财务造假丑闻之后,又暴露出了银广夏、ST黎明、蓝田股份等财务造假恶性案件。上市公司财务造假问题引起了社会各方面的关注。针对公司的财务造假问题,专家学者进行了大量的定性或者定量的研究,取得了一定的研究成果。本文从舞弊理论、舞弊特征、舞弊识别模型等三个角度充分分析了国内外研究现状,在此基础上,进行了以下几个方面的研究。(一)分析财务造假的原因和手段。本文从两个角度分析了财务造假的原因,一是客观原因,二是内在动因。客观原因包括：政府职能的问题、公司治理结构的缺陷、证券市场相关制度的不完善、不健全的监管机制等；内在动因有：公司为了取得股票发行资格、提高股票发行价格、取得配股资格、避免被“戴帽”或者争取“摘帽”、为维持和提高股票价格、为了获取信贷资金和商业信用、为了业绩考核、为了满足发行债券的条件、为了减少纳税而粉饰会计报表等。财务造假的手段主要是利用关联方交易、资产重组、选用不当会计政策、会计政策与会计估计变更、资产评估等手段进行利润调节。(二)分析确定舞弊识别变量和实验样本。我们将1999-2002年持续经营、未被取消上市资格的上市公司作为训练样本的选择基础,将2003-2006年上市公司作为选择测试样本的基础。我们将审计意见为“拒绝表示意见”或“否定意见”或“无法表示意见”作为选择虚假财务报告样本的基础；另外再根据中国证券市场的历史特点,按照一定的标准选择控制样本。参考前人的研究成果,从偿债能力及管理效率比率、利润-现金创造能力比率、费用配比合理性比率、公司增长潜力比率、公司发展协调性比率等几个角度分析确定了47个备选舞弊识别变量。(三)设计基于分类方法的虚假财务报告识别框架,并使用多种分类方法进行虚假财务报告识别研究,引入期望错误分类成本概念,对分类实验结果进行比较。首先根据大部分分类方法以及财务报表数据的特点,设计了基于分类方法的虚假财务报告的识别框架。并依据此框架,分别使用Logistic回归、神经网络、支持向量机、朴素贝叶斯等分类方法进行了实证分析。在进行实证分析时,使用按一定标准选择的训练样本和经过论证分析后选择确定的识别变量对这四种分类模型分析进行了训练,然后使用测试样本检验不同的分类模型的分类效果,并基于期望错误分类成本,对这四种分类模型的识别效果进行了综合比较分析,发现神经网络和朴素贝叶斯两种分类方法在识别准确率和稳定性方面要好于另外两种方法。(四)提出一种聚类方法进行虚假财务报告的聚类分析。在目前的审计环境下,单纯以公司财务报告的注册会计师审计结果来判断该财务报告的真假是有风险的(尤其是判断为真的时候)。所以有监督分类方法的学习结果可能使得分类存在一定的偏差。由于聚类是一种无监督学习的数据挖掘技术,无监督的学习与有监督的学习不同,它不要求学习样本带有类别的信息,或者说不需要有先验知识,所以聚类方法对纷繁复杂的、真假难辨的会计信息进行真假识别或许更有帮助。基于此,本文设计了一种基于聚类有效性测度的自组织映射和K均值聚类相结合的聚类模型V-KSOM。此模型继承了自组织映射自主学习的优点；将K均值聚类运用于训练完成后的自组织映射平面网格结点,可以有效地划分聚类边界,克服了自组织映射聚类边界不清晰的缺点；由于自组织映射受结点初始值(随机产生)及样本学习顺序(随机的)的影响,聚类结果不稳定,为了选择最佳的聚类结果,本模型引入一种有效性测度来评判每次聚类结果。使用该聚类模型对虚假财务报告进行聚类分析,实验结果表明该模型是行之有效的。