El fraude financiero es un desafío serio en una economía digital en rápida evolución que pone demandas crecientes en los sistemas de detección. Sin embargo, los métodos tradicionales a menudo están limitados por la información dimensional de las propias corporaciones y son insuficientes para hacer frente a la complejidad y dinámica del fraude financiero moderno. Este estudio presenta un novedoso sistema de soporte inteligente para la detección de fraude financiero, aprovechando un método de penetración de relaciones de tres niveles (3-LRP) para descifrar redes fraudulentas complejas y mejorar la precisión de la predicción, integrando la metodología de selección de características basada en densidad borrosa áspera (FRDFS), que optimiza la selección de características en entornos financieros ruidosos, junto con el método de votación suave determinista borrosa (FDSV) que combina redes tabulares profundas basadas en transformadores con clasificadores de aprendizaje automático convencionales. La integración de FRDFS optimiza la selección de características, mejorando significativamente la confiabilidad y el rendimiento del sistema. Un análisis empírico, utilizando un conjunto de datos financieros reales de pequeñas y medianas empresas chinas (PYME), demuestra la efectividad de nuestro método propuesto. Esta investigación enriquece la literatura de detección de fraude financiero y proporciona ideas prácticas para profesionales de gestión de riesgos, introduciendo un marco integral para la alerta temprana y la gestión proactiva de riesgos en las finanzas digitales.