人工神经网络(Artificial Neural Networks)是一种基于计算机软件实现的一种信息处理系统。但其实质是模拟人类大脑神经元的记忆、联想以及反射等功能而抽象出来的数学模型。人工神经网络的诞生以及发展,为现代非线性数据分析的发展提供了一条新的途径。人工神经网络有着广泛的应用领域,包括函数逼近、回归分析、模式识别与数据分类、聚类、预测、诊断以及过程控制等各行各业的各种领域。凭借着其较强的自适应能力、自组织性能力以及容错性成为近代机器学习以及智能系统领域的研究热点之一。本文的主要研究内容是径向基函数(Radial Basis Function,RBF)神经网络的算法改进及其在股价预测方面的应用。首先,文中在对前人研究成果的总结以及对比的基础上,介绍了支持向量机(Support Vector Machine,SVM)和RBF神经网络的发展现状,全面地分析研究了SVM和RBF神经网络的理论、结构、算法以及应用,并且给出主要算法的数学推导过程。其次,根据两种算法的优势与不足,提出了一种基于最小二乘支持向量回归(Least Squares Support Vector Regression, LSSVR)算法改进的RBF神经网络,首先建立最小二乘支持向量回归模型,应用改进的共轭梯度算法求解出的支持向量作为网络中心,并用支持向量的个数确定RBF网络的隐层节点数目,从而构造出RBF神经网络较优的初始结构和网络参数,再用梯度下降法微调网络参数,使网络性能达到最优。最后将改进后的RBF神经网络应用于股票价格的预测,通过与改进前的RBF神经网络的预测结果进行对比,得到了良好的预测效果,论证其在预测性能方面的提升。