股票市场是一个高度复杂的非线性动态系统，其变化规律既有一定的自身的趋势性，又受政治、经济、心理等诸多因素的影响，各因素的影响程度、时间范围和方式又不尽相同，造成异常复杂的价格波动变化，使对其准确预测变成一件异常困难的任务。尽管如此,一代又一代的学者和投资者不断的从不同角度、不同理论、不同投资策略和不同的实际经验中发展出了众多的预测方法。建立在数理统计基础上的传统定量预测方法在对股市的研究中面临着许多困难，而神经网络具有自组织、自适应等特点，能自动从历史数据中提取有关经济活动中的知识，因而非常适用于解决股票预测领域中的一些问题。然而传统BP网络应用与股票预测，单一考虑收盘价为时间序列矢量，预测精度不高。在BP网络输入矢量中加入其他因素矢量，又因为数据量大，网络模型训练负担大，训练精度不高。所以本文提出一种自组织特征映射网络SOFM与BP网络结合的两步预测方法。首先借用灰色关联度思想，从众多技术指标中选出刻画股票市场状态的技术指标集合。然后利用SOFM网络的自组织分类能力，对股票市场状态进行分类,在SOFM网络定性分类的基础上BP网络进行分类预测。　　 本文的工作主要有以下几个方面:　　 1.借用灰色关联度的思想，提出了选择刻画股票市场特征指标的方法，从众多的技术指标当中识别出了有效的输入组合。该方法既选出了重要的变量，又排除了其中相关性很强的变量。　　 2.介绍了传统BP预测方法的建模方法，以历史价格为输入建立了BP神经网络预测模型(BPA)，然后以关联方法选出的指标集合和历史价格为输入建立了BP神经网络预测模型(BPB)，采用经验公式结合试验法确定了BPB的隐层节点数目。针对BP神经网络输入维数与网络结构增大的矛盾，提出了SOFM-BP模型，分层考虑了更多的相关因素，而不用增大BP网络层的结构。　　 3.应用MATLAB7.0对上证A股指数进行了预测仿真，结果对比表明，本文提出的方法应用于中国股票市场的短期预测是可行和有效的。