股票市场是一个复杂的非线性动态系统，利用传统的时间序列预测技术很难揭示其内在的规律。在分析考察传统预测分析方法的基础上，本文提出了一个面向股市分析、预测和决策，由神经网络和模糊理论组合的系统，并针对系统性能的改善和提高进行了深入研究。在对前馈神经网络的训练中，使用参数自适应方法实现了学习率、惯性因子的自我调节，以避免系统误差陷入局部最小，加快网络的收敛速度；提出了优化BP网络结构的实验研究方法，将该算法同传统BP算法的预测偏差平方和进行比较，结果证实网络的逼近精度及泛化能力均得到了极大的提高和改善。作者采用上述优化算法，对深市和沪市的股票价格进行了基于模糊参量的神经网络模拟，为全面反映股市价格变化进行了有益的探索。 本文将模糊理论引入股市，以模糊数学中隶属度的方式对原始变量进行了量化定义和分析，该方法为进一步明确描述动态的股市行情开辟了新的思路。 与传统股市分析方法相比，本文将预测分析和决策分析操作有机联系在一起，从实用角度出发，为广大投资者建立了有效的预测决策分析系统。 大量实验结果表明，对系统的结构参数、算法参数、模糊判决等方面的分析和优化进一步提高了系统的泛化能力。在有限的条件下，对个股预测的正确趋势率达到了71.32％；决策操作系统降低了风险，同时也为广大投资者指明了稳健决策操作的时机。各项结果表明，作者将模糊理论与神经网络相结合应用于中国股市的预测分析和决策分析是一例成功的实验。