随着我国经济的迅速发展,我国居民投资理财的意识也在发生着巨大的变化。在股指期货和融资融券业务推出之后,我国证券市场的投资品种得到了进一步的丰富,这势必会吸引更多的个人以及机构投资者进入证券市场,以达到收益、对冲风险以及保值等不同的目的。鉴于此,对于证券投资分析方法的研究不论是在实际应用还是在理论研究中都有着积极的意义。由于股票市场是一个随时都在发生着巨大变化的复杂系统,面对日益增长的庞大数据量,传统的分析方法有时会显得“力不从心”。因而本文从数据挖掘等相关理论出发,对证券投资分析方法进行了深入的研究。首先,将小波理论引入金融数据的预处理过程,由于小波分析特别适合处理非平稳和非线性的信号,所以小波方法可以很好地去除金融数据中的噪声,为之后的数据挖掘过程奠定良好的基础。其次,从企业生命周期的角度考虑上市公司的盈利状况,为此本文利用朴素贝叶斯分类器和主成分分析理论并结合相关的财务指标建立了企业生命周期识别模型,用于识别上市公司所处的企业生命周期。随后,本文讨论了神经网络综合评估模型的优缺点,并且使用因子分析理论改进了径向基神经网络,同时在此基础上建立了F-RBF神经网络综合评估模型,用以评估预测股票的收益率情况。最后,本文将小波分析、企业生命周期识别模型以及F-RBF评估模型综合应用到我国证券市场,对50家上市公司做了实证分析。本文的创新点如下：(1)将小波理论应用于财务和股票数据的去噪中,对于含有高噪声的金融数据,相对于传统的去噪方法,小波去噪方法能够得到更好的结果,为之后的数据挖掘过程奠定了良好的基础。(2)利用主成分分析克服了朴素贝叶斯分类器的缺陷,构建了改进的朴素贝叶斯分类器,并结合相关财务指标建立了企业生命周期识别模型。(3)利用因子分析理论,克服了径向基神经网络的原有缺陷,同时建立了F-RBF神经网络综合评估模型,并将此模型应用于我国上市公司股票的收益率评估。