有价证券的交易具有高风险，高回报的特点。而随着经济发展，金融市场对于实体经济的作用和意义也越来越大。为了趋利避害，人们一直在探索金融时间序列预测的有效方法。　　金融时间序列具有多噪声、非线性、多元素共同作用，难以建立明确清晰数学模型等特点。用复杂的数学工具和更丰富的信息能够提高预测的精度，但是代价是海量的数据存储与较慢的处理速度。现代金融体系所产生的高频数据又要求系统能够快速地处理信息，一种能够实现在线计算，快速反应的时间序列分析方法具有极其重要的实际意义。为此本文对神经网络这一具有较强非线性映射能力与泛化能力的控制科学领域工具在金融时间序列分析中的应用进行了研究，发现神经网络的优点与不足之处。将神经网络工具与卡尔曼滤波算法进行有机结合，将神经网络的映射能力与卡尔曼滤波的跟踪能力、迭代运算特点相结合，提高了预测速度，改进了模型的应用效果并将其应用于股指期货的预测。　　本文首先对神经网络和卡尔曼滤波的原理以及特点进行了分析，对神经网络及其改进算法进行了探讨并指出其不足之处。然后对卡尔曼滤波以及扩展卡尔曼滤波进行了详细说明与推导。在分析两种工具的优缺点基础之上，使用了神经网络与卡尔曼滤波进行结合的方法，创新性地对股指期货进行了预测。　　在应用仿真中将改进的算法应用到股票与期货价格实际预测中，分别对S&P500指数以及IF1012期货合约进行仿真实验，分析基于卡尔曼滤波的神经网络预测模型与传统模型之间的优劣。实证分析的结果表明，卡尔曼滤波能够显著改善神经网络的收敛速度与精度，改进预测效果。