股票趋势预测旨在预测公司股票的未来趋势,从而让投资者规避风险,获取比较大的收益。由于股票趋势预测方法的研究具有十分重要的理论意义和实用价值,所以长期以来一直吸引着学者们的关注。但是,股票市场瞬息万变,影响股票走势的因素有很多,如股票价格的历史曲线图、金融新闻以及社交媒体评论等,导致趋势预测的难度增加。随着深度学习和自然语言技术的飞速发展,学者可以充分利用这些新技术从股票价格数据和金融新闻、社交媒体评论等文本数据中发现股票的运行规律,从而精准预测其变化趋势。本文主要结合社交媒体评论文本和股票价格数据对股票趋势的预测方法进行研究,主要研究内容与成果如下:（1）针对股票数据的不稳定性和随机性,提出了一种基于股票价格数据和股票文本数据的多源股票趋势预测网络（MSSTFN）,该模型由四个模块组成。其中,股票价格信息提取模块分别使用长短期记忆网络与卷积网络提取股票价格序列中的时间依赖关系和局部特征,并对他们进行有效融合以得到更加全面的特征表示;股票文本信息提取模块从单词、文本、交易日三个层面进行处理,得到全方位的股票文本特征表示。注意原型学习模块代替传统的全连接预测层,以强化分类效果;对抗特征学习模块采用对抗性训练的思想,增强网络处理未知数据的泛化能力,提高系统的鲁棒性。在公开数据集上的实验结果表明,本文提出的MSSTFN模型在准确率和马修斯相关系数上均超过六种基准方法,预测准确率达到了59.68%。并通过消融实验验证了MSSTFN模型中各个模块的有效性。（2）在模型MSSTFN的基础上,提出了对其中两个模块进行改进的方法。首先,针对MSSTFN只使用了单尺度的股票价格序列的问题,在股票价格处理模块中考虑股票序列的多尺度特性。其次,针对于长短期记忆网络并行计算能力较弱的缺陷,在股票文本处理模块中将其替换为Transformer编码器进行股票文本特征提取。最后,同时使用两个改进模块与其他模块组合后得到基于Transformer和多尺度特性的多源股票趋势预测网络（MSSTFN+）。在公开数据集上的实验结果表明,与MSSTFN相比,利用多尺度特性的预测模型在准确率和马修斯相关系数上分别提升了3.22%和0.0661;利用了Transformer的预测模型的训练速度有了明显的提升;而融合了两个改进的模型MSSTFN+,不管是在预测精度还是马修斯相关系数上均达到了最好的效果,分别为62.93%和0.2649。