与证券市场飞速发展不相称的是证券分析技术进展的缓慢，证券分析中知识的自动获取已经成为制约我国证券分析发展的“瓶颈”。因此，我国证券分析软件的发展方向就是可验证与修正的智能型软件。在这种情况下引入代表数据库和人工智能最新技术的基于数据挖掘的决策支持系统(DSS)进行证券分析成为一个必然的选择。本文首次对数据挖掘技术及其在证券分析中的应用进行了较深入的研究，将时间序列挖掘技术、序列挖掘技术以及云模型处理形态概念相结合应用于证券分析并取得了成功，是一种有意义的尝试。 论文首先介绍并分析了数据挖掘和证券分析的特点及研究现状，指出将数据挖掘应用于证券分析的可行性和迫切性。同时对证券数据的特征进行了分析，提出了适用于证券数据的挖掘模型。并在此模型的基础上展开对数据挖掘的研究。 其次，通过对云模型理论的分析，提出了用云模型将连续空间的价量时间序列数据转换到由字符表示其形态的离散空间。经过这一处理后的形态字符序列保持了语义概念的模糊性，同时也使得挖掘的效率大大提高，挖掘结果更为直观。 再次，对时间序列挖掘，特别是时间序列相似性搜索进行了深入的分析，提出了用时间序列相似性搜索对相似序列进行定位，用基于序列挖掘的中缀挖掘算法进行模式发现，是一种全新的思路。事实证明这两种算法的结合是可行的。 最后，建立了基于以上研究成果的S-Mining系统。在对该系统的大量实验数据进行分析比较后指出系统中各参数的取值对模式挖掘的影响及参数选择的正确方法；以深万科的成交数据为例说明系统的挖掘过程，并且用两种方法验证了系统预测结果的可靠性。对于未预测准确的结果，结合证券市场和个股的实际情况进行了分析，找出了预测失败的原因，同时指出结合证券市场和个股的实际情况进行模式评估的重要性。