股票是伴随着金融市场发展而产生的一种金融产品。股票的发行及流通,加快了资本的集中与积累,也逐渐成为了一个国家经济发展的“晴雨表”。股票市场影响因素众多,其预测也十分复杂。然而众多学者发现,在真实的金融市场中,构造交易策略可以获得超额收益。随着计算机技术的发展,出现了量化投资的概念,通过利用数学模型客观上有效的帮助股票投资利益最大化,风险最小化,因此也越来越受到大家的关注。近年来,人工智能领域蓬勃发展,各个领域都出现了深度学习的身影,越来越多的学者及投资者尝试利用人工智能技术,力求使用深度学习网络模型构建高回报低风险的投资策略,研究如何利用深度学习网络进行更好的股票预测也有了很大的研究价值以及实际意义。在过去对该领域的研究中,主要集中于直接对时间序列数据进行处理,并利用机器学习或神经网络的方式训练序列数据。研究者们在金融分析预测中,研究出了一些基于机器学习及深度学习网络的股票时间序列预测模型,且取得了较好的准确率,但由于参数众多,网络结构较为复杂,训练时会消耗大量的计算及时间资源,浅层次的特征没有得到更充分地利用导致可能丢失一部分可利用信息等情况,使其在扩展性及实用性方面还存在一定的问题。在近几年的各大比赛中,稠密连接网络（Dense Net）凭借其优秀的特征提取能力及特征利用能力,大大减少了参数数量,降低了计算成本,在图像处理领域取得了优异的实践成果。本论文利用稠密连接网络在图像分类上的优越性,选取了浦发银行、招商银行、光大银行、中国银行四只股票在2010年1月1日—2019年12月31日（排除节假日、双休、以及停牌等情况）的收盘价、最高价、最低价并将其转化为RGB图像（即本文中数据图像）,进行股票序列数据图像化处理,并将时间窗口最后一日与次日的收盘价涨跌设定为标签,转变为图像分类问题。在深度学习网络训练中,当数据含有更多可利用信息时更有利于训练出鲁棒性更强的网络,本论文基于该思想,为增加数据图像的特征信息,提出将数据图像分别进行反向处理多样化、随机处理多样化及高斯多样化三种多样化处理,利用Dense Net网络,通过仿真实验表明:反向处理多样化在原序列数据图像的基础上均进行了优化,获得了比本论文基准策略和股票走势效果更好的高收益低风险的策略算法,同时收益曲线均呈现稳定增长走势,获得了较为优秀的预测效果。另一方面,在股票市场中,由于各只股票各个行业的不同性质,一般不能找到一个网络或策略算法使多只股票均获得优秀的预测效果,为获得更好的泛化能力,本论文提出了一种构造类股票数据的方法,构造生成了两组不同的类股票数据,通过实验验证,得到了可较好地满足三只股票的预测网络模型,在一定的条件下可以获得较好的预测效果,同时为降低风险,对策略进行了优化,以此实现的量化交易可以在更低的风险下获取更高的收益,其收益曲线均呈现稳定增长走势,具有一定的研究意义与现实意义。