股票，作为金融市场的晴雨表，自出现以来就受到投资者的关注。鉴于股票市场的高风险性，高收益性和多变性等特点，股票的分析和预测也伴随着成为投资者关注的焦点。由于股市又受政治，经济，投资者心理以及一些内在因素的影响，因此其复杂性也决定了股票分析的复杂性和不确定性。目前，预测领域提出了很多方法和改进的技术来提高股票的预测精度。这些方法在传统预测方法的基础上，又引进了人工智能算法的新技术来加以改进。随着人们对人工智能算法的广泛使用，股票市场对人工智能算法的应用也开始渐渐流行起来。神经网络作为人工智能算法的其中之一，也不免在股市分析中备受青睐。神经网络在理论上可以逼近任意非线性函数，有很强的鲁棒性和容错能力。这恰好适用于股票数据的分析。本文详细的探讨了BP神经网络的基本理论，结构，学习规则以及构建过程，对用于短期股票分析预测的BP模型的建立过程进行了详细的阐述，其目的在于将建立的模型用来预测股票的涨幅。在模型的使用过程中，我们结合多项技术指标，作为节点的输入。在隐含层函数的设计中，我们采用了两个隐含层函数。在隐含层神经元个数的选择过程中，我们采用了包含2n+1在内的5个值（30，35，41，45，50，n为输入节点的个数）作为神经元的个数来训练网络。在前人做过大量股票分析预测工作的基础上，本文通过控制隐含层神经元个数来训练网络，针对建立的BP模型对万科，五粮液，浦发银行，宝钢股份，中国石化，上海家化，贵州茅台，中储股份，伊利股份，中国人寿等10支股票2013年7月15日到7月26日（交易工作日内）的涨幅进行预测。预测结果显示，随着隐含层神经元个数的不同，预测精度不同。总体而言，当神经元个数为35和41时，预测结果是最佳的。