随着社会经济的不断发展,各类金融投资工具应运而生。有效的股票价格建模和预测在金融市场上表现出较高的经济价值。因此,股票市场的预测和交易也成为人们普遍关注的话题之一。由于股票价格的非线性和波动性以及金融交易的特殊性质,保证较高的预测性能和可解释性对于预测模型至关重要。然而,现有的方法并不能同时实现这两个目标。主流预测方法普遍基于时序数据进行建模,而金融文本数据对于股票价格的波动也具有影响。有效结合金融文本数据和时序数据可以提高预测精度。为了填补这些空白,本文构建了基于模糊学习方法建立高精度股票预测模型,并在该模型基础上提出了一种模型可解释性方法和一种多模态数据融合方法。本文的主要研究贡献包括:（1）为了建立高准确率的股票价格预测模型,在现有预测方法的基础上,本文提出了一种直觉模糊预测模型（简称IFIM）。通过嵌入机器学习拟合模型替代传统的模糊规则推理方式,解决了传统模糊学习模型计算效率低,参数指数增长的问题。同时该模型借助数据驱动方法构造直觉模糊集,可以充分挖掘输入数据的潜在信息和数据间的关联信息。得益于模型结构设计,有效地提升了预测准确率。该模型在公开的A股股票数据集上与嵌入的机器学习拟合模型相比,收益率提高了20%～40%。该模型与其他模糊学习模型相比,具有更高的模型收益率和较低的回撤。（2）为了在保证模型预测精度同时使模型具备可解释性,本文提出了基于直觉模糊集的可解释性方法。该方法可与IFIM结合构建模型可解释性,依赖模型可解释性可以以可视化的方式查看各个特征对于预测结果的贡献度。同时本文通过实验验证通过模型可解释性可以对特征进行筛选,进一步提高模型预测精度。（3）为了有效使用丰富的金融文本信息,本文提出了一种多模态混合融合方法。相比于其他多模态融合方法,本文所提出的方法降低了不同模态之间的噪声影响,结合金融文本信息特点设计跨模态融合方法。由于有效利用了金融文本信息,在实验中,基于多模态混合融合的预测模型可以取得更高的收益率。