金融时间序列建模的主要目的是利用观测到的数据推断真实的数据生成过程或金融市场的概率法则，由此获得的知识可以用于检验经济学假说和金融理论，对金融市场行为建模预测，解释重要的金融现象，这对金融产品定价、对冲和风险度量具有非常重要的意义。本文充分利用多分辨率分析和GARCH模型的优越性能，对金融时间序列进行多尺度GARCH建模分析，选取金融资产收益样本序列进行实证研究，从不同的时间尺度上捕捉金融资产的波动特征，从而为金融市场分析、预测和监管提供理论依据。 本文主要研究内容及结果如下： 针对金融资产收益波动建模分析中GARCH模型的变点探测问题，根据信号真实信息与噪声在小波变换结果的不同特征，提出了金融时间序列变点探测的小波模极大值线方法，对GARCH-M模型进行了数字仿真，其结果验证了此方法的实用性和有效性。该方法运用于实证研究，结果表明我国股市具有显著的政策市特征。 针对金融波动分析的多时间尺度特征，提出了金融时间序列多尺度GARCH建模方法(记为：MRA-GARCH)，把金融时间序列多尺度小波系数序列分别建立GARCH模型，从而对小波分解的系数进行了很好的预测，然后把预测的小波系数采用Mallat算法重构，得到了金融时序的预测值，该方法克服了传统可选择阈值消噪的局限性，提高了GARCH模型的仿真及预测精度。 针对“当股票市场个股预期收益波动不太显著时，如何选股?”这一问题，本文用MRA—GARCH建模方法和动态模糊聚类分析原理，设计出了股票预期收益波动的动态模糊聚类分析算法。并选取中国股票市场上效益差距不太明显的12支股票进行仿真计算，绘制出了未来21日的分类平面图，观察立即可得到未来最优交易方案。本文的结果可较好地用于金融市场的投资分析。