近来,随着中美贸易磋商的激烈化,市场环境的不断波动,企业在实际经营管理中常常会遇到各种问题如财务恶化等。而出现财务方面的问题,对于整个公司的发展而言往往是致命的,这使得财务危机问题逐渐发展成为和企业发展密切相关的经济体关注的焦点。因此,建立有效科学的财务预警模型,是企业运营管理过程中的风险管理一个具有研究意义的方向。然而,受限于数据分析处理技术,传统财务预警多基于简单的统计类Z分数模型、支持向量机和BP神经网络模型,模型构建使用过程中会存在样本数据选取不全、指标变量选择科学性、建模过程“统一”性等问题。随着大数据时代的到来,可以利用深度学习相关技术实现财务预警建模的“统一”,减少人为因素的干预,建立更加科学的财务预警模型,具有重要的研究意义。本文在对国内外学者关于财务预警研究成果回顾的基础上,按照反映上市公司的偿债能力、营运能力、盈利能力、企业成长能力和现金流动能力等五个方面选取来自万德数据库中年报的财务指标特征,同时选取数据库中其它能够体现财务状况异动的有实际财务意义的财务分析数据如总资产周转率、权益乘数等,构建了包括194个指标的原始指标体系。然后选取4210家上市公司的T-2和T-3年财务报表数据作为源数据。对于基于卷积神经网络的上市公司财务预警模型,文中利用MATLAB2018将原始194个输入指标变量转换成14*14的特征图像,然后通过对经典的LeNet-5卷积神经网络根据需要进行优化,从而构建基于卷积神经网络的财务预警模型并进行模型的训练和评估。随后,对原始194个指标变量进行差异性和共线性等统计检验剔除不满足要求的部分指标变量实现指标变量的筛选,利用传统基于经典的支持向量机和BP神经网络财务预警模型作为对比分析模型。实验结果表明,基于卷积神经网络的财务预警模型整体性能G-mean、AUC值达到78.6%和92.8%,较传统基于支持向量机、基于BP神经网络的预警模型有不同程度的提升。通过研究发现,对比传统基于支持向量机、基于BP神经网络的预警模型,本文提出的以特征映射成灰度图为基础利用CNNs建立的财务预警模型,不仅能够有效避免主观因素对建模的影响,而且具有更准确的预警评估性能,进一步提升了模型的稳定性和可适用性。