Исследование направлено на создание научно-обоснованной методики применения современных статистических методов и алгоритмов машинного обучения для автоматизированного выявления признаков мошенничества и искажений в бухгалтерской и финансовой отчетности экономических субъектов. В работе проведен комплексный анализ теоретических основ и практических подходов к детекции финансовых нарушений, систематизированы современные методы цифрового аудита и разработана интегрированная система индикаторов для идентификации потенциальных случаев искажения финансовой информации. Автором исследованы возможности применения различных классов алгоритмов машинного обучения, включая методы обучения с учителем и без учителя, ансамблевые техники и нейронные сети для решения задач классификации и аномального обнаружения в области финансового мониторинга. Особое внимание уделено разработке гибридных подходов, объединяющих статистический анализ аномалий с передовыми техниками глубокого обучения для повышения точности детекции сложных схем финансовых манипуляций. В исследовании представлена архитектура интеллектуальной системы контроля достоверности финансовой отчетности, включающая модули предварительной обработки данных, извлечения признаков, машинного обучения и интерпретации результатов. Практическая значимость работы заключается в создании универсального инструментария для автоматизации процессов аудита и внутреннего контроля, способствующего повышению качества финансовой отчетности и снижению рисков недобросовестных практик в корпоративной среде. Разработанная методика адаптирована к требованиям российского законодательства в области бухгалтерского учета и может быть интегрирована в существующие системы корпоративного управления и риск-менеджмента.