自然科学和社会科学各个领域中都会遇到大量的时间序列，对这些时间序列进行分析、建模和预测对于人们更好的掌握和控制未来行为有着重要的现实意义。本文首先介绍了时间序列分析的相关概念，其次介绍了几种传统的时间序列模型，并选用股价数据实例分析了基于ARIMA模型的建模和预测方法，结果表明ARIMA模型在描述股票市场价格波动特征方具有一定借鉴性，拟和预测的结果在一定程度上可以代表股票价格的走势，但它只在短期趋势预测方面有一定可行性，对于长期趋势以及突然上涨或下跌，就会表现出局限性。文章为了进一步提高预测精度，针对股票价格数据有很频繁的小幅波动不具有分析和预测价值，根据小波在信号消噪方面的应用，提出了一种基于小波消噪的数据预处理方法。将处理后的数据用于ARIMA模型预测，并将其与原预测模型进行比较。比较试验结果发现，采用处理后的数据做模型预测的相对误差更小，从而精度更高。 进一步的，针对右删失数据条件下的AP(p)模型，为了提高模型的预测准确度，文章介绍了EM算法及其改进并给出了基于EM算法及其改进的右删失数据条件下AR(1)模型的具体算法，最后作出实际模拟，结果显示补值效果良好。