股市预测是一个比较具有挑战性的任务。由于受市场经济,企业运营,政治决策等多方面的因素影响,股市预测具有复杂,动态,不稳定性等特点。本文探讨了智能控制理论及模式识别中的重要方法,提出了基于聚类线性回归的预测模型,并将其应用到股市收盘价的预测上,数值结果表明新提出的预测算法可行有效。聚类线性回归结合了聚类和回归这两个典型的数据挖掘问题。一般聚类问题是以相似性作为依据对数据进行聚类,而聚类线性回归是以回归误差最小作为标准对数据进行聚类。本文对聚类线性回归的三个典型求解算法Sp?th算法,EM算法和基于非凸非光滑优化的算法进行讨论。为解决待预测点的归属问题,本文提出了一个使用多分类模型辅助待预测输入数据分类的聚类线性回归预测算法。算法的基本思想是首先根据聚类线性回归的结果训练出一个多分类模型,然后根据该多分类模型确定待预测输入应归属的聚类,最后运用该聚类所对应的线性回归系数进行预测。我们将新提出的预测算法的两个具体实现命名为Softmax-CLR和Softmax-CLR-weight。为了证明新提出的预测算法的有效性,本文将新提出的算法与现有的基于聚类线性回归的预测方法进行比较。数值比较结果表明,本文新提出的算法比现有的预测算法更加准确。然后,本文将新提出的预测算法与其他常用预测算法进行了比较,参与比较的预测算法有线性回归、岭回归、人工神经网络。数值结果表明新的预测算法与人工神经网络表现相近。算法应用方面,本文将新提出的Softmax-CLR预测算法应用到上海证券综合指数每日的收盘价预测上。输入数据量包含预测日期之前的开盘价,收盘价,最高价,最低价,交易量和交易额,输出数据为次日的收盘价。我们将预测结果与股市预测中表现最好的两个回归预测模型支持向量机和人工神经网络进行了对比。结果表明新提出的预测算法达到了平均99.0406%的精确度,优于人工神经网络,与支持向量机的预测准确度相似,就模型的稳定性和拟合效果而言比人工神经网络和支持向量机都好。在后续的研究工作中可以考虑将新提出的预测模型应用到其他时间序列数据的预测上。