时间序列预测在预测的领域内是一个比较重要的研究方向，它是具有一定实际价值的一个应用研究领域。在实际的应用中，很多时候人们都会遇到根据历史数据预测未来数据的问题，尤其是经济、工程等方面，因此时间序列预测受到了广泛的关注。在实际的预测中，时间序列常常会呈现出高度复杂并且非线性的状态，单一的模型并不能实现很好的拟合预测效果，因此人们开始将多种模型相结合进行研究，以期望获得更好的预测值。论文在结合ARIMA模型和Elman神经网络模型的同时引入了共轭梯度法以及小波分析理论对模型进行了改进，通过实例分析进行建模预测，由实验的结果可知，相对于单一预测模型，论文中所提的方法预测效果更好。　　论文通过小波去噪对股票的历史时间序列数据进行预处理，再结合时间序列模型和神经网络模型对预处理后的序列进行建模和预测。　　论文首先介绍了时间序列模型、非线性共轭梯度法、小波分析和神经网络的相关理论并对不同的非线性共轭梯度法进行了深入研究，提出了改进的共轭梯度算法，并将其应用到时间序列模型的参数估计中，以此来优化参数模型，最后进行了实例验证，从而证明了此方法的可行性以及有效性。　　其次介绍了小波的阈值去噪法，通过对它的研究给出了一种改进的去噪方法，并通过实例验证了所提方法的有效性及优越性。　　再次介绍了小波神经网络的基础理论，在小波神经网络和时间序列模型的基础上给出了一种组合预测方法，并通过流程图给出了详细预测步骤。　　最后利用论文中所提方法对股票序列进行预测，并与单个模型预测进行比较，由仿真实验结果可以看出该方法具有更好的预测效果。