股票市场被认为是经济的“晴雨表”和“报警器”，不仅受到政府的重视，而且也受到广大投资民众的普遍关注。对股票价格变化趋势的预测也成为股票预测中的一项重要任务。股票价格的变化受到众多因素的制约，而这些影响因素之间相互之间的作用也很复杂。动态贝叶斯网是一种基于概率和统计理论的决策分析工具，具有独特的不确定性知识表示形式和丰富的概率表达能力，并逐步应用于分类、决策与预测、信息恢复、专家系统等领域。动态贝叶斯网对表达影响股票因素之间相互作用的复杂关系是一个十分有利的工具，使用动态贝叶斯网对股票预测是股票预测中的一个重要的预测方法。本文着重研究用动态贝叶斯网对股票预测进行建模的相关问题，大致可以分为以下3个方面： (1)通过原始样本数据构造股票影响因素的动态贝叶斯网，并给出了相应的Bayesian结构学习的遗传算法，并用java语言实现。实验证明该程序对动态贝叶斯结构是有效的。 (2)给出关于股票预测模型的Bayesian结构的参数学习方法。当股票的Bayesian网络结构确定后，另一个重要的问题就是参数学习。本文提出了用EM算法对股票的Bayesian网络进行参数学习。 (3)基于股票变化的特点，给出了一种基于d分离的Bayesian结构完善方法。由于股票价格变化的快速性，股票预测的动态Bayesian网络随着时间的推移，可能会产生与实际情况产生不相符的地方。在排除了参数导致不相容的因素后即需要对动态Bayesian网络结果进行完善(即调整)，本文给出了一种基于d-分离的Bayesian网络结构完善方法，该方法对于动态Bayesian网络结构完善是有效的。