股票市场是投资交易的重要场所,具有国民经济的“寒暑表”之称。然而,股票市场是高风险与高收益并存的复杂动态系统,具有非线性、随机性和不稳定性的特点。对于缺乏专业投资知识的人士很难做出清晰、准确的判断。同时,投资者通常参考多类技术指标数据（如开盘价、最高价）挖掘价格波动规律,实现投资决策,但是人工处理这些复杂数据的能力有限。因此,智能化分析股票为非专业人士提供有效的参考依据是有必要的。虽然智能化分析股票的方法已取得一定成果,但是仍存在一些问题需要解决。一方面,多数智能方法是从指标数据即定量的角度分析股票,而忽略了分析过程中存在的定性信息。另一方面,智能模型输出结果多数依靠海量数据训练而得,很难通过相关金融理论解释和验证,存在准确率低、解释性差的问题。为解决以上问题,本文提出了基于证据推理（Evidential reasoning,ER）和分层置信规则库（Hierarchical belief rule base,HBRB）的模型分析股票市场,并将研究过程分为趋势预测、市场评估、投资决策三个阶段,主要贡献如下:（1）针对多指标输入导致模型准确率和工作效率降低的问题,提出了一种基于主成分回归（Principal component regression,PCR）和HBRB的股价预测模型。利用PCR进行指标筛选,解决了高维数据输入时导致的过拟合和准确率下降的问题。其次,依据所筛选的指标构建基于HBRB的趋势预测模型,该模型的预测过程相对透明,大幅度提高预测结果的信任程度。最后,通过投影协方差策略（Projection covariance matrix adaptation evolutionary strategies,P-CMA-ES）对模型参数进行优化,进一步提高了模型的精度和可靠性。（2）针对无法综合处理定性与定量信息和模型缺乏金融理论支撑的问题,提出了一种基于证据推理（Evidential reasoning,ER）和分层置信规则库的股票市场分析模型。该模型分为基于ER的市场评估模型和基于HBRB的综合决策模型两个方面。该模型将金融机理与ER算法相结合,融合不同指标数据,综合处理定量和定性信息。构建过程中,参考了大量的专家知识和经验,提升模型的可靠性。该模型让投资者了解每一步的推理过程,辅助投资者做出科学、合理的投资决策。（3）基于ER和HBRB的股票分析模型,设计并开发了股票市场分析原型系统,为利用本文算法提供了应用参考。综上所述,本文首先以单只股票为研究对象,构建基于PCR-HBRB的趋势预测模型,通过预测个股帮助投资者抓住最佳买卖时机,还能够再保证原始信息不被破坏的前提下降低股票数据维度,提升模型计算效率。其次,以上证指数为研究对象,构建基于ER-HBRB的评估决策模型,分析指数有利于确定市场整体情况、把握投资方向。此模型融入投资理论和专家知识,为输出决策结果赋予理论意义,增强模型可解释性。最后,本文结合该算法开发了一个股票分析系统,能够将理论落实在实际应用。