现代企业由于面临日益激烈的竞争，其内外各种不确定性因素的增多，使陷入财务困境进而丧失生存能力的机会越来越大。因此，亟需借助定量化的预测模型对其财务状况进行监控和预警，为其的经营管理决策提供科学和准确的依据。事实上，进行财务困境预测不仅有利于企业，也有利于投资者、债权人以及各类利益相关者，对整个国民经济的健康发展也有重要意义。　　在参考了大量国内外文献的基础上，本文对上市公司财务困境概念进行界定，对财务困境预测在国内外的研究现状进行总结。目前，虽然传统的线性判定方法已经逐渐被国内外学者所摒弃，取而代之的是假设条件更为宽泛的非线性模型或模型组合，但并不等于说这些模型不存在问题。学者们大量使用的神经网络、决策树等模型缺乏稳定性，很容易产生过度拟合;支持向量机方法虽然比较稳定，但它具有非常依赖于其核函数以及参数选择的特点，选择不同的方案可能会导致预测结果大相径庭。为解决这些问题，本文采用属于集体学习的Boosting、 Bagging以及BagBoost等方法进行应用创新，通过集体学习的决策方式在很大程度上避免了单一模型的不稳定，同时也不需要进行复杂的参数设置就能达到良好的预测效果。目前，这些方法在财务困境预测领域内还较少出现。　　在对集体学习中的Boosting和Bagging的算法及相关理论进行总结的基础上，本文的创新主要体现在:首先，通过引入BagBoost，并对其进行改造，将其中的LogitBoost替换为更为稳健的Gentle AdaBoost，从中衍生出BagGBoost算法。实际分析过程表明，无论是否进行变量筛选，BagGBoost的效果均胜过原来的BagBoost，预测效果表现出稳健而优良，总体上胜过普通的Boosting及Bagging方法。　　其次，本文还以遗传算法为框架，结合随机森林的OOB误差和精英染色体投票，对初始变量进行筛选，并将这种变量筛选与另外一种变量筛选的结果进行对比，也将两种变量筛选的结果与不进行变量筛选的结果进行了比较。实证结果表明，遗传算法筛选变量的方法稍胜一筹，而且，变量筛选在总体上优于不进行变量筛选的效果，尤其是在提前一年的预测中，只采用3个变量就能达到92.36％的预测准确率。但变量筛选对于不同的模型和不同的预测样本影响不一，不是任何情况下所必需的，应当结合模型和样本的特点有区别地进行。