本文从基本BP算法在应用中存在的不足出发，着重分析了训练样本中所含噪声对基本BP算法在网络训练过程中产生的不良影响，并以此为依据，采用鲁棒统计技术，同时在优化算法上做了一些有益的改进，提出一种新的具有较强抗干扰能力的BP算法——鲁棒自适应BP算法，并将其应用于动态BP网络，进行股票价格的预测，取得了较好的预测效果。与基本BP算法相比，本文提出的鲁棒自适应BP算法具有以下优点：(1) 与鲁棒统计技术相结合，通过训练样本相对偏差的大小，确定不同训练样本对能量函数的贡献，来抑制含高噪声干扰样本对网络训练的不良影响，从而增强训练的鲁棒性，提高网络训练的收敛速度；(2) 采用相对偏差和绝对偏差两种偏差形式对权值进行调整，提高了网络的训练精度； (3)在采用梯度下降算法对权值进行调整的基础上，通过将学习速率设为训练误差及误差梯度的特殊函数，使学习速率依赖于网络训练时误差瞬时的变化而自适应的改变，从而可以克服基本BP算法容易陷入局部极小区域的弊端，使训练过程能够很快的“跳出”局部极小区域而达到全局最优。大量仿真结果表明，本文提出的鲁棒自适应BP算法在收敛速度，收敛精度，尤其是抗噪声干扰的能力上比其他BP算法具有更好的优势。算法的应用上，本文根据股票市场具有高噪声，高度非线性，难于精确建模等特点，将提出的鲁棒自适应BP算法应用于动态BP网络中进行股票价格的预测，一方面通过动态BP网络实现了无需精确建模而得到系统良好特性的效果，另一方面发挥了本算法鲁棒性强的优势，克服了训练样本中高噪声对网络训练的影响，从而得到较好的预测结果。