证券价格预测是金融预测领域的研究热点之一。随着人工智能技术、计算机技术的空前发展，证券价格预测方法也得到了很大的发展。尤其是基于机器学习理论和支持向量机理论的研究成果不断出现，其中的一些成果已经在实际应用中显示出巨大的潜力。文章在简要阐述统计学习理论和支持向量机算法的基础上，针对现有基于支持向量机的证券价格预测方法存在的变量选取、核函数选择、规则提取问题进行了研究，着重以深圳证券交易所五支股票的日收盘价为例进行了分析与讨论。文章主要包括以下几方面内容：(1)综述了证券价格预测方法的研究现状，指出了支持向量机在证券价格预测方面的优越性和存在的一些问题，回顾了支持向量机的基本理论和相关概念，推导了支持向量分类机和支持向量回归机学习算法。(2)提出了三种改进的支持向量机证券价格预测模型。首先，针对现有支持向量机证券价格预测方法存在的变量选择问题，提出了一种融相对贡献分析和价格预测于一体的层级支持向量机模型。接着，结合证券市场自身的特点，提出了线性支持向量机和非线性支持向量机组合模型和组合核支持向量机模型。特别是组合核支持向量机模型解决了支持向量机核函数难于确定的问题。最后，针对支持向量机理解性差的“黑箱问题”，提出了一种基于支持向量分类机和粗糙集的规则提取算法。(3)分别应用所提出的三种支持向量机模型对深圳证券交易所五支股票进行了相应的实证研究。实验结果表明，本文提出的三种支持向量机模型都取得了令人满意的结果。(4)最后对全文进行了概括总结，并指出理论上和应用上有待进一步研究的问题。