预测是通过对历史事件的研究，在此基础上建立系统模型，从而进行预测。随着科学技术的不断进步，预测方法得到了很大的发展，在预测实践中，时间序列往往呈现出一种高度复杂的动态且非线性状态，单一的预测方法已经不能很好地进行拟合预测。从这一现状出发，本文提出了多种预测方法的修正方法，从而提高模型的拟合精度。另一方面，将不同的预测方法进行适当组合，便可形成组合预测方法，这将有利于综合利用各种方法提供的信息，有利于提高预测精度，其效果往往优于单一的预测方法，并得到了广泛的应用。而基于ARIMA模型和灰色理论及BP神经网络的组合预测模型，同时引入共轭梯度法、小波分析理论对原有单一模型进行改进，其结果表明所提方法效果优于其他方法。论文将所提出的改进及组合预测模型应用与股票市场，人口统计数据等不同领域，用实际数据拟合结果充分验证本文改进方法的有效性。论文利用小波变换对股票历史时间序列数据预处理，再组合神经网络模型以及多种预测模型对预处理的序列进行建模和预测。文章首先介绍了小波降噪处理方法，非线性共轭梯度法和组合预测模型的基本思想，系统分析了时间序列模型参数优化方法，第三章第四章提出了两种改进的非线性共轭梯度法并在第四章最后成功应用于时间序列模型参数优化，即利用改进的共轭梯度法来优化参数模型。用实例验证了给出方法的有效性、优越性。其次介绍了灰色模型即组合预测理论，采用新的公式来生成紧邻生成序列同时引用人工神经网络模型形成组合预测。章节最后用实例验证了这种方法是可行的。再次基于小波去噪，ARIMA模型，神经网络模型以及组合方法，论文给出了几种基于小波变换的多种模型组合的预测方法，并通过流程图详细给出了各组合方法的预测过程。最后利用论文给出的几种预测方法并与传统的时间序列分析方法或单个模型预测相比，其股票预测效果有了较大的提高。