针对股票进行预测，无论是在政府对金融市场的监管还是投资者对股市风险的防范上都有重要的实际意义。股票市场受政策、经济、以及投资者心理等诸多复杂因素的影响，是一个高度复杂的非线性动态系统。传统的预测工具已经不能满足股市预测的要求，人们在预测时需要一个运算速度和精确度都比较高的股票预测模型。论文在深入分析股票市场预测方法的基础上，针对股票市场高噪声、高度非线性的特点，引入小波分析、人工神经网络模型和组合方法对股票市场进行预测。论文利用小波变换对股票历史时间序列数据预处理，再组合神经网络模型以及多种预测模型对预处理的序列进行建模和预测。首先介绍了小波分析、人工神经网络和组合预测模型的相关理论，并分别研究了极大重叠离散小波变换、极大重叠离散小波包变换和组合预测模型的基本思想，在此基础之上，给出了两种改进的小波阈值去噪方法和一种改进的小波神经网络模型，并用两个实例验证了给出的去噪方法和模型的有效性和优越性。其次介绍了方差倒数法和最优变权组合预测方法，并给出三种新的定权与变权组合预测方法：新的方差倒数法，SMNE固定权组合预测方法和基于神经网络的变权组合预测方法，同时实例验证了这三种方法是可行的和有效的。再次基于小波分析，小波去噪，神经网络模型以及组合方法，论文给出了几种基于小波变换的多种模型组合的预测方法，并通过流程图详细给出了各组合方法的预测过程。最后利用论文给出的几种预测方法对上海和深圳股票序列进行预测，并与传统的时间序列分析方法或单个模型预测相比，其股票预测效果有了较大的提高。