股票市场与经济活动密不可分，它不仅是宏观经济的晴雨表，也是分析微观经济的重要指标。十多年来，我国已有股民数千万，股票己经深入到日常经济生活中的方方面面。因为巨大的经济利益，分析股票内在的规律性一直是研究的热点，股票预测的理论和方法也因此层出不穷。这些预测方法都在一定程度上揭示了股市的运行规律。但是股价系统内部结构的复杂性和外部因素的多变性决定了股市预测的艰巨性，现有的分析预测方法应用效果并不理想。股票价格运动是随机性与规律性的辩证统一，从局部和短期而言表现为较强的随机特征，而从全局和长期而言表现为较强的规律性。在无噪声影响的情况下，股票价格走势完全可以模仿和学习，其走势实质是一种复杂时序函数。人工神经网络可以通过调节连接权值以任意精度逼近任何连续函数，因此也可以逼近股票价格随时间变换的这种函数。本文详细推导了BP算法，就BP神经网络应用设计中的网络隐层数、神经元个数、训练算法等具体设计问题进行了分析和改进。针对BP算法训练速度慢的缺点，提出了自适应步长的改进型BP算法，提高收敛速度。另外，由于传统的BP神经网络容易陷入局部极小值，本文利用模拟退火算法局部搜索全局最优的特点，提出了一种将模拟退火算法与改进型BP算法相结合的混合算法，有效地克服了BP神经网络容易陷入局部极小值的缺点。同时，本文也讨论了神经网络输入输出数据处理、预测方法的选择等，并基于所设计的混合算法在Microsoft Visual Studio.NET 2003平台上用C#语言开发了一个股票预测系统。最后，本文用所设计的预测系统测试了云南铜业股票的近期涨跌情况，取得了良好的效果，准确率达70％。本文提出的混合算法很好地克服了以往BP神经网络容易陷入局部极小值的缺点，同时为股票预测提供了一种新的思路和研究方法，具有一定的理论意义和实际应用价值。