现代的股票市场是一个巨大的投资、融资市场,每天都有大笔资金的流入和流出,它在社会稳定发展中扮演着越来越重要的角色。若是谁能把握住股票市场发展的趋势,并且能够在短时间内做出投资决策,那么谁就能从这个巨大的投、融资市场上获取利益。若想把握住股市的趋势,并且能够及时做出正确的决策,对股票市场进行预测和分析就显得必不可少。现有的股市预测分析方法主要有基本面分析法和技术分析法,但是这些分析方法都存在着各自的缺陷,难以令人信服。随着股票市场的发展,基于股市金融数据的时间序列分析预测方法开始涌现,但大多数方法都是基于线性假设前提之下的,与股市数据所呈现的非线性特征相违背。经研究发现神经网络在解决这类非线性问题上有着自己特有的优势,因此,本文从神经网络入手,将多种群遗传算法与神经网络相结合,构造了一个多种群遗传神经网络模型,并将其应用于股票价格指数的预测。该组合模型不仅克服了传统神经网络易陷于局部最小值、初始权值难以确定等缺陷,还避免了标准遗传算法所存在的早熟收敛问题。同时,该模型还具有训练快、预测结果稳定、预测精度高等优点,为股价指数预测提供了一种新的思路和途径。本文首先阐述了神经网络方法,介绍了BP神经网络模型的学习算法,并且分析了该模型的不足之处。为了改进这些不足,我们引入了遗传算法和多种群概念,在阐述了遗传算法的原理和多种群概念之后,提出了将多种群遗传算法和神经网络方法相结合的思路,并设计了本文的多种群遗传神经网络模型。同时,本文还对该模型的输入层指标变量进行了全面考虑,从宏观基本面和技术分析面综合考虑了影响股价指数的变量,并且利用非参数核估计方法对这些指标变量进行了筛选,该方法有别于传统的主成分分析、最小二乘估计等方法,在变量选择方法上所有突破和创新。最后本文将筛选后的8个指标变量分别作为多种群遗传神经网络模型和传统的BP神经网络模型的输入层指标,对上证指数进行实证研究分析。实证结果表明：多种群遗传神经网络模型比传统的BP神经网络模型有更好的预测精度,这就说明本文对多种群遗传神经网络模型的构造是科学合理的。