近年来，数据挖掘技术的成熟促使这项技术在各个领域中得到广阔应用。它在处理海量数据，知识发现方面具有其他技术不可比拟的优势。股票交易数据量巨大，在这些数据中存在着一些隐含的规律。由于人脑处理数据的能力有限，所以很难发现它们。而数据挖掘技术恰好可以弥补这个不足。本文尝试用数据挖掘技术来分析股票市场中存在的规律。 本文首先对数据挖掘理论做了全面分析，尤其是对数据挖掘基础算法做了深入细致的研究，然后着重从如下两个方面展开讨论。 利用关联规则挖掘股票间的连动规则。关联分析方法可以挖掘事务数据库中“项”与“项”之间的规则。股票数据是连续数值时间序列而不是符号表示的事务数据。本文首先将时间序列变换到离散(符号)的事务数据后，使用关联分析方法来挖掘各支股票间的关联规则。这种方法在分析中国上海证券市场中股票间的关联分析实验中，得出了满意的结果。 利用时间序列相似性搜索方法，查找出与选定股票走势相似的历史股票数据，以此预测股票未来一段时间的走势。股票价格走势往往有很多规则，而这些规则经常反复的出现。如果能够找到和选定股票走势相似的历史数据，就可以以此作为投资的依据。本文提出一种基于数据挖掘中相似性搜索技术的短期股票价格预测的方法。针对传统相似性搜索中相似性度量经常采用的欧几里德距离方法的缺点，本文采用了一种新的相似性度量方法(动态时间归整方法)。这种方法在实战中收到了良好的效果。 本文从不同角度挖掘了股票时间序列中存在的关联规则和股票价格走势模式，相应的算法在多策略股票数据挖掘平台Stock-Star系统中得到了实现。