本文作为面向证券的智能检索系统的一个重要组成部分,侧重于对证券进行技术分析,主要是对交易行情进行数据挖掘,期望建立起证券投资的自动决策系统。本文首先介绍了系统的体系结构,其次介绍了数据挖掘方法在该系统中的具体应用,最后介绍了系统的语音接口。本文将数据融合中的态势估计理论用于证券研究领域,提出了证券态势估计的新概念。由于证券市场具有高度复杂性,仅仅依靠单一的方法,不可能对证券市场做出精确的预测。为了充分利用多种预测方案的优势,本文用数据融合技术将各种数据挖掘方法组合起来。鉴于态势估计的层次化要求,本文使用分组多层黑板体系结构实现了证券态势估计系统(SSAS),并且建立了证券数据挖掘方法本体库。该系统被设计成一个开放的平台,便于扩充新的分析手段。本文使用自组织网络(SOM)对个股收盘价,市盈率,市净率,市销率和流通市值进行聚类,建立了基于财务指标的板块划分方法。对个股的时间序列数据进行小波分析,得到各级小波分解下的能量及能量分布,求得个股的信息量系数,然后用SOM聚类,创建了板块划分新方法。本文使用Apriori算法挖掘个股的关联规则,还进行了基于聚类的关联规则挖掘。另外,分析了每周各交易日个股走势及其关联关系,结果表明中国证券市场存在时间异象。本文使用马尔科夫链(Markov)进行股票的价格趋势预测。并且以个股时间序列的小波分解系数作为观测值,借用数字语音识别的思想,使用隐马尔科夫模型(HMM)进行价格趋势预测,改善了预测效果。用误差反馈神经网络(BP)对股票价格进行预测,结果表明,使用弹性BP或共轭BP得到了较好的预测效果。为扩充证券态势估计系统平台的应用,给该平台添加了语音识别接口。利用Microsoft的Speech SDK开发包,本文实现了一个小型的语音平台,解决了股票名称发音相似的匹配难题,对常用控制命令,股票名称和股票代码都能达到较高的识别效果。而且本文还研究了利用剑桥大学的HTK工具包实现对股票代码的识别问题,提高了股票代码的识别率。