股票价格是判断股票市场行情的航标灯,是国民经济的“晴雨表”,它综合反映了股票市场的发展变化。对其的预测和研究能够使股民在充分掌握证券市场发展规律的基础上更好的进行投资和决策,更有利于国民经济有序、健康的发展。目前,除了已有的数学方法外,人工智能方法也已经运用到股票预测当中,取得了更好的效果。本文将模糊理论的相关内容与神经网络相结合,实现了股票综合预测系统模型。首先,利用改进的模糊贴近度对股票价格开盘价、收盘价、涨跌额、涨跌幅、最低价、最高价、成交量、成交金额八个属性进行分类,筛选BP神经网络的输入样本,从而提出了一种选择网络输入样本的新方法。相对于网络输入样本为股票价格单一属性而言,预测精度提高了大约50%。然后,根据股票价格预测的实际应用,改进模糊理论中模糊综合评判系统的三角隶属函数和半梯形隶属函数以及模糊评判算子,提出了一种基于改进的贴近度计算模糊综合评判系统权系数的方法,在对股票单日进行评判时,与传统模糊综合评判系统对比,正确率提高了大约4%。最后,针对股票价格开盘价、收盘价、涨跌额、涨跌幅、最低价、最高价、成交量、成交金额八个属性建立组合BP神经网络,根据分类情况选择子网络的输入样本,利用改进的模糊综合评判系统对组合网络的预测值进行评判,预测股票价格走势。有效地将组合神经网络和改进的模糊综合评判系统结合在一起,从而构建了股票综合预测系统。