股票市场是反映经济动向的“晴雨表”，对股票价格趋势的准确预测可以引导市场平稳运行，也可以使投资者最大限度地规避风险，做出正确的投资策略。由于受到政治、经济、社会等各种因素的综合影响，股票价格波动大，变化异常复杂，因此准确把握股票价格运行态势一直是金融领域的研究重点。　　股票价格组成的序列是一个典型的时间序列，本文以股价组成的时间序列为研究对象，对股价时间序列建立预测模型，挖掘股价内在变化规律，预测股票未来价格和变化趋势。通过研究各类预测模型，分析现有模型的不足，改进预测方法，从而进一步提高预测精度，为投资和管理者提供科学有效的参考。本文的主要工作和成果如下：　　1.介绍了ARMA模型和BP神经网络模型。对模型的建模原理和基本流程进行了详细介绍，利用ARMA模型和BP神经网络模型对股票价格进行仿真预测，对实验结果进行了讨论，分析了两类模型的优势和不足。　　2.针对上述两种单一模型难以准确全面预测股票变化规律，在小波分解的基础上，提出了一种BP神经网络和自回归滑动平均模型ARMA相结合的组合预测方法。利用小波算法将股票价格信号分解重构，对重构后的低频尺度信号建立 BP神经网络模型预测，高频细节信号建立 ARMA模型预测。通过小波分解将擅长处理非线性变化的神经网络和擅长处理平稳时间序列的经典ARMA模型结合在一起。利用模型对大盘指数进行了仿真实验，同时用个股进行了实例验证。实验表明基于小波的组合预测模型能深入全面挖掘股票价格变化信息，预测精度进一步提高。　　3.为考虑多种股票价格因素影响，同时避免因考虑因素过多而出现数据冗余，在支持向量机回归方法的基础上引入主成分分析（PCA）和果蝇算法(FOA)，提出了一种PCA-FOA-SVR的股票价格预测方法。利用主成分对影响股票价格的因素分析降维，消除数据冗余，简化网络结构。随后建立支持向量机回归模型，用新型群体智能优化算法果蝇算法对支持向量机的参数进行寻优。最后利用模型对大盘指数进行了仿真实验，同时利用个股对模型进行验证。实验结果表明，PCA-FOA-SVR模型能准确反映股票价格走势，是一种有效可行的股票价格预测方法。　　4.设计实现了股票信息处理分析系统。该系统可以实现技术分析，K线显示，选股器等基本功能。同时将股票预测模型与技术分析创新性地结合在一起，对股票未来趋势做更全面准确的预测。