复杂的时间序列往往蕴含了很多潜在的重要信息和事物规律,我们对这类重要的复杂数据对象进行详尽的分析后,便有可能揭示事物运动、变化和发展的内在规律。金融时向序列是金融资产收益序列的重要表现形式,例如股票、基金、外汇、金融衍生品等收益率的分时线、日线等,也是经济与金融领域中最重要的数据,因此对这类数据分析和预测在金融投资预测、决策和风险管理等方面具有重要意义。目前,各种市场分析技术应用于解释股票市场和预测市场的未来趋势,这些技术不仅需要一定程度在金融和经济学的专业知识,还要收集大量关于市场的数据,而且需要很多的计算,这对中小投资者都需要花费太多的精力。人类求解问题具有鲁棒性,处理问题的能力随着经验的增长而不断地增强,复用以前经验的方法是人类专家的一种基本而重要的解决问题方法,由于人工智能中的CBR推理技术同人类推理十分相似,所以本文提出一种基于技术分析和CBR的证券时间序列预测模型。案例推理(case based reasoning, CBR)主要包含案例检索、案例重用、案例修正和案例保存四个过程。本文首先结合给定个股的证券时间序列的技术形态特征,利用基于最大最小点实现了典型技术形态的模式识别,及识别形态模式的起止时间、成交量、MA、OBV、RSI等指标属性值的信息,以连续3个形态模式作为一个完整的案例,构建案例库并表示案例。然后,利用案例检索的相似匹配算法—NN算法,检索出与目标案例相似的已经存在于案例库中的源案例,进行相似度与入库阈值的比较,最终实现对证券时间序列未来走势的预测,并验证了该模型在理论和实际应用中的准确性及有效性。