股票市场作为一个复杂的动态系统,其未来发展趋势受到多方面因素的影响。通过科学的方法对股票价格进行预测,对投资者个人和金融机构来说具有重要意义。目前通过构建数学模型对股票价格进行预测仍然是一个重要的研究课题,随着数学与统计建模方法在股价预测领域的不断创新和发展,基于深度学习算法的股票价格预测研究取得了很大的进步,但是当前算法仍然存在着对数据信息提取能力不足、预测精度不高和泛化能力弱等问题。因此,本文在股价指标的选取和构建高效预测模型两个方面进行研究。针对上述问题,本文选取了深证成指和沪深300指数股价数据作为研究对象,并对有效指标进行选取,随后提出了基于残差神经网络（Res Net）和门控循环单元（GRU）的Res Net-GRU融合模型,对股票数据的日收盘价进行预测。首先,在输入指标的选取方面,本文不仅考虑了传统的基本行情指标,还新增了部分技术指标。为了能够得到有效的影响指标,本文先后采用相关系数法和轻量级梯度提升机（Light GBM）算法对预选指标进行相关性分析和重要性分析,综合分析结果选取相关性低且重要性分数高的指标作为最终输入指标,这不仅降低了指标信息的冗余程度,还提高了指标信息的利用率。然后,在模型构建方面,利用了Res Net对深层神经网络的优化能力和GRU模型对时序信息的提取能力,分别用来提取大量股票价格伪图像数据中的空间特征和时序特征,并以Res Net和GRU两种网络为基础,构建了串联Res Net-GRU融合模型和并联Res NetGRU融合模型,其中并联Res Net-GRU融合模型可以在训练过程中减少原始信息的损失,提高预测精度。通过实证研究得到以下结论:首先,当残差神经网络中的卷积网络层数为10层且深证成指和沪深300指数数据集的滑动窗口大小分别为9和10时,模型取得较好的预测效果;其次,通过对比基本行情指标与本文选取指标的预测结果可知,本文选取的指标在并联Res Net-GRU融合模型上的预测效果较好,证实了加入技术指标的有效性;最后,由不同模型的预测结果可知,本文提出的并联Res Net-GRU融合网络模型的预测效果较好,同时也验证了并联Res Net-GRU融合网络模型在不同数据集上对股票价格预测的有效性和合理性,增强了模型的泛化能力。