时间序列分析是概率统计中一个应用性强的分支，是运用数理统计的方法对有顺序的动态随机数据观察值进行分析和处理，即选取合适的数学模型去拟合这个时间序列，通过建立的模型得出序列规律，并预测其走势。在实际应用中，时间序列通常呈现高度复杂非线性的状态，传统的预测方法已经不能满足更高预测精度的要求，因此论文构造了一种改进的参数估计优化算法和一种新的结合小波去噪和神经网络模型的预测方法，并分别通过实例分析证实了预测方法的有效性。论文利用小波阈值去噪对股票历史时间序列预处理，再结合神经网络模型对预处理后的序列进行建模和预测。　　首先，论文介绍了时间序列分析、最优化方法、小波分析和神经网络的相关理论，其中对共轭梯度法进行了详细分析，并概述了小波分析和神经网络的发展历史和研究现状。　　其次，构造了一种改进的共轭梯度算法，并应用于时间序列模型参数优化中，即利用改进的共轭梯度法来优化参数模型。数值结果证明算法有效，且时间序列实例表明了方法的优越性。　　再次，基于小波阈值去噪相关理论，在已有文献基础上提出了新的阈值函数和阈值公式，从而给出了一种新的小波阈值去噪算法，通过对信号的仿真实验表明了新的去噪方法提高了信噪比，降低了均方根误差，从而验证了算法的可行性。　　最后，在新的小波去噪算法基础上，结合了神经网络模型，构造出一种新的组合预测方法。并对上证指数交易日收盘价序列进行去噪预处理，再利用构造的方法进行建模和预测，表明了新的预测方法有更好的预测效果。