数据挖掘技术从提出到现在短短二十多年里，吸引了众多专家和学者的广泛研究，并在金融业、电信业、零售业、制造业、医疗保健等领域发挥了巨大作用。证券业作为我国较早应用信息技术的行业，已经建立了较完善的事务处理系统。多年证券市场的发展，也使得证券行业积累了大量的数据，其中隐含着大量有价值的信息。如何利用这些数据，深层次地挖掘信息，为证券投资的决策服务，已成为证券行业研究的当务之急。由于数据挖掘技术处理海量数据的能力，以及其建立模型的智能性特征对证券分析具有重大的意义。本文研究数据挖掘技术在股票投资中的应用，主要工作如下：本文从数据挖掘算法介绍入手，主要介绍了数据挖掘技术，特别是神经网络技术和聚类分析技术的原理和应用。之后，为解决股民的入市时机选择问题，引入了神经网络模型，通过建立神经网络模型对次日收盘指数进行预测，在模型的构建上，不仅考虑到前一期数据对预测结果的影响，还考虑到了历史期数据可能造成的影响，建立了神经网络的一期预测模型和多期预测模型，并对上证综合指数进行分析预测。经过多次实验，以及对大量实验结果进行分析比较，得到了精度较高的次日收盘指数预测模型，利用该模型，预测了2010年1至4月份的上证综合指数次日收盘点数，通过与真实值比较发现，本文建立的神经网络模型在预测上证综合指数方面具有较好的效果。进一步地，为了解决股民个股选择问题，引入数据挖掘技术中的聚类分析算法，通过选取个股的财务相关指标，构建聚类分析指标体系，进而选取A股市场800余只股票，利用Clementine软件，进行聚类分析。在聚类模型的选择上，本文通过尝试K-means聚类、Kohonen聚类和TwoStep聚类方法后发现，TwoStep聚类方法在区分股票类别上效果更明显，因此，选取了TwoStep聚类方法将这些股票聚成比较显著的类别，从而区分出优质股票，可为股民选择个股提供了有效的决策参考。