财务困境预测是信用风险领域的一个重要研究方向。在中国资本市场日益发达的今天，企业财务状况的判断和财务困境的预测有着重要的意义。 财务困境预测是通过对企业在过去或目前所发布的一系列信息，来预测其陷入财务困境的可能性。主流的方法是对企业公开对外发布的会计报表中的指标进行分析，应用科学的预测方法，预测其陷入财务困境的可能性。本文研究的目的是在研究一般财务困境预测方法的基础上，进一步应用新的机器学习方法——分类器集成方法来处理财务困境预测问题。 文章首先系统地分析了财务困境预测问题。提出了对财务困境新的定义。对目前常用的主流的预测模型进行了详细的介绍，并简单评价了它们在财务困境预测研究中的适用性。接着对集成学习理论和在实践中的应用进行了详细介绍，分析了集成学习的特点，且根据这些特点，提出将其应用于财务困境预测。最后构造了基于ADABOOST算法的四种分类器集成学习模型。且利用中国上市公司公布的财务数据，对所构造的模型进行了系统的实证研究。 实证过程中发现，分类器集成方法在应用于财务困境预测中时，可以改善单个的不稳定分类器的预测能力，对单个稳定分类器预测能力没有改善作用，对多个稳定分类器的预测能力有较大提高，在t-2年预测期，可以使样本识别正确率达到90％，ROC-area指标达到0.9。实证结果显示，分类器集成方法应用与财务困境预测问题有一定的合理性和优越性。