随着全球经济一体化进程的飞速发展,股票市场在全球经济中扮演着越来越重要的角色,股票市场的准确预测具有重要的社会经济价值。股票市场拥有海量的数据,且股票市场具有非平稳性、非线性、周期性的特点,这样的数据特性对于股票数据的准确预测提出了巨大的挑战。因此,股票预测研究具有重要的学术价值。本文在深入研究股票市场预测问题的特点并且广泛分析已有相关研究工作的基础上,针对股票市场预测技术的关键问题提出一定的解决方法。并且在多个公开的数据集上进行了有效性验证。本文的研究工作和相关成果主要包括:构建复双向循环神经网络（Twofold Bidirectional Long Short-Term Memory,TBiLSTM）,并将其应用于股票预测领域。TBiLSTM网络是基于BiLSTM双向循环神经网络的基础之上对其进行改进而建立的,在原BiLSTM网络模型的基础之上再添加一层BiLSTM网络,分别代表正向预测模型和反向校正模型。正向预测模型是通过对历史股票数据的特征提取实现对于股票收盘价的预测,反向校正模型是通过对未来股票数据的特征提取实现对于正向预测模型的校正,将正向预测和反向校正两个方向模型的输出结果进行线性融合,得到模型预测的最终结果。构建不确定性感知注意力机制（Uncertainty Perception Attention Mechanism,UPAM）,并将其拓展应用于网络的输出当中,实现对于TBiLSTM模型的优化。UPAM注意力机制是通过对感知注意力机制进行改进所构建,主要是优化金融时间序列预测任务的损失函数,在优化的过程中强化对不确定性高的数据特征输出的依赖,而弱化对不确定性低的数据特征输出的依赖。使得在网络模型训练的过程中,对于具有不同不确定性程度的网络输出给予不同程度的关注,提升模型训练的优化效率。以长安汽车（股票编号为000625）为例进行实验对比分析。实验证明,基于TBiLSTM模型对于股票收盘价预测结果的评估指标MAE值为1.6478,RMSE值为2.7453,MAPE值为5.1435以及R~2值为0.9123,相较于其他模型的评价指标均得到不同程度的提升,因此,本文建立的TBiLSTM模型较其他模型对于股票收盘价的预测效果更优;将UPAM注意力机制加入到模型当中对其进行优化,实验证明,加入CBAM注意力机制和UPAM注意力机制的TBiLSTM模型股票预测结果的评价指标RMSE值分别为2.6871和2.123,R~2值分别为0.9248和0.9367,较未加入注意力机制的TBiLSTM模型的预测误差均得到降低,说明基于注意力机制的网络模型较单一的网络模型在所选的数据集上的表现更优;基于UPAM注意力机制的TBiLSTM模型的R~2较单一的TBiLSTM模型提高了0.0211,因此,基于UPAM注意力机制的TBiLSTM模型对于股票收盘价预测有着更优的表现效果。