针对传统神经网络算法预测股票价格时容易陷入局部极小值、学习速度慢和预测精度不高等问题。本文以合作型协同进化遗传算法、主成分分析法和灵敏度分析法为基础，优化网络的拓扑结构和连接权值，分别建立基于合作型协同进化遗传神经网络股票预测模型、基于主成分的合作型协同进化遗传神经网络股票预测模型和基于灵敏度分析的合作型协同进化遗传神经网络股票预测模型，并将预测结果进行对比分析，说明模型的有效性、健壮性。论文主要做了如下四个方面的工作:　　 (1)对神经网络、合作型协同进化遗传算法的基本理论进行了详细的综述。首先概述了神经网络的产生、发展历史，着重介绍了BP神经网络;然后综述合作型协同进化遗传算法的研究现状;最后，总结了神经网络设计中的难点问题，说明将合作型协同进化遗传算法优化神经网络的可行性。　　 (2)详细介绍了合作型协同进化遗传算法。首先概述了合作型协同进化遗传算法的基本思想，重点介绍合作型协同进化遗传神经网络模型的定义和实现方法。然后，通过对个股和上证综合指数进行预测分析，来验证模型的有效性和算法的可行性。　　 (3)研究了主成分分析法的原理与具体实现，在此基础上建立基于主成分的合作型协同进化遗传神经网络，并将该模型用于股票预测，对比未经主成分的合作型协同进化遗传神经网络的预测结果，说明该模型更有效。　　 (4)介绍灵敏度分析法的原理和推导实现，采用基于灵敏度分析的神经网络隐含层节点剪枝方法，建立基于灵敏度分析的合作型协同进化遗传神经网络，将该方法应用于中国平安和中国铝业的股票预测问题，验证该模型的有效性。