股票市场对我国的经济增长具有积极的作用，如何有效地分析和预测股市一直是人们关注研究的问题。目前，计算机网络与信息技术的使用对股票市场的发展空间带来了质的变革，股票交易市场产生的海量数据给预测技术带来了新的挑战。数据挖掘技术的出现为股票投资分析研究提供了一种新的方式和思路。由于数据挖掘中的人工神经网络具有并行分布式处理、自适应学习能力和非线性信息处理等优点，因此在股市预测分析中越来越受到人们的重视。　　本文对数据挖掘技术中的神经网络算法和粗糙集进行了深入的研究，在充分考虑信息决策表的有效性的基础上，提出了一种基于粗糙集的BP神经网络算法(RS-BP)。该算法首先基于粗糙集理论，对决策表进行处理，然后利用BP网络进行训练。通过实验设计我们验证了RS-BP算法的准确性，并将RS-BP算法应用到股票预测中。通过大量实验结果比较，带自适应学习率的RS-BP算法的训练时间最短，准确率最高。　　最后本文设计了基于数据挖掘的股票交易预测系统，对系统的功能、结构进行了详细的分析设计。