股票市场是一个高度复杂的非线性动态系统，其变化既有内在的规律性，同时也受市场、经济、非经济等诸多因素的影响。建立在数理统计基础上传统定量预测方法在对股市的研究中预测效果不是很显著，而神经网络具有自组织、自适应等特点，能自动从历史数据中提取有关金融活动中的知识，因而非常适用于解决股票预测领域中的非线性时间序列问题。 本文以股市的可预测性为基础，对股市部分影响因素进行量化，融合传统证券技术分析方法，使用本文提出一种混合训练算法，建立基于人工神经网络的股价预测模型，并对部分大盘股、个股的收盘价进行预测，评价预测模型的有效性。 首先，本文对股市的可预测性进行阐述、对影响股市的各种因素进行分析，并对国内外的证券分析方法、股市预测方法及人工神经网络的股价预测研究的最新发展进行综述。 其次，从误差反传算法在预测中存在的问题入手，提出一种混合训练算法。该算法从隐含层神经元个数的确定方法、权重和阀值的初始值域、误差函数和自适应学习速率等方面对误差反传算法进行改进，以达到提高网络的收敛速度的目的；同时引入遗传算法，在权重更新过程中采取权重进化计算，使网络跳过局部极小点，达到全局最小点。 再次，本文根据非线性时间序列预测原理，提出股价预测模型。该预测模型以使用混合训练算法的三层神经网络为基础。根据部分可量化股价影响因素，选取预测模型的输入变量。并以此为基础，设计并开发了股价预测系统。 最后，本文使用股价预测系统，以股价预测实验初步检验了本文提出的股价预测模型的有效性。对上证A股指数进行预测，并且以成交量为噪声项进行对比实验；并对深市个股深发展A的股票收盘价的涨跌值、涨跌率为预测目标进行股票预测。