股票市场是一个复杂的非线性动力学系统，其内部结构的复杂性和外部因素的多变性使得传统的预测方法很难取得令人满意的效果。而神经网络可以逼近任意非线性函数，因此特别适合股票市场的预测。然而由于传统神经网络训练方法的局限性，使得神经网络预测的精度很难提高。 粒子群优化算法是一种基于群体智能理论的优化算法。该算法利用生物群体内个体的合作与竞争等复杂行为产生群体智能，为复杂优化问题的求解提供了高效的解决方法。 本文在系统分析了神经网络与粒子群算法以及当前股市预测所面临的困难以后，提出了用基于粒子群算法的神经网络进行股市预测的新方法。 针对基本粒子群算法容易早熟收敛和陷入局部极小的问题，本文对基本粒子群算法做了改进，提出了一种带过滤操作的粒子群优化算法，通过滤除相似粒子的方法提高种群的多样性，使算法获得持续搜索能力，避免陷入局部极小。 在理论分析的基础上，本文给出了神经网络用于股市预测的一般步骤，并提出基于粒子群算法的神经网络预测模型建立方法；采用基于过滤粒子群算法的神经网络对SP500收盘指数和中国石化某一时期内的股票价格进行了预测，取得了较好的预测效果。之后，本文将过滤粒子群算法与基本粒子群算法以及BP算法的预测效果进行了比较。实验表明，较之于基本粒子群算法，过滤粒子群算法具有更高的预测精度；而与BP算法相比，无论是收敛速度还是预测精度，过滤粒子群算法均好于BP算法。 理论分析和实验结果表明，过滤粒子群优化算法能够提高神经网络的收敛速度和预测精度，为股市预测提供了一种有效的方法。