在金融市场,股票预测一直是投资者和学术界的热门研究话题之一。随着经济全球化和股票市场的不断成熟,发展出了多种股票投资方式。近年来机器学习在多个研究领域取得了显著的成果,其中在股票预测方向除了传统的预测方法外,研究人员提出许多新的方法,并对已有的方法不断进行改进。例如利用深度学习预测股票中使用深度卷积网络、深度Q网络以及基于LSTM（长短期记忆网络）的深度循环神经网络预测股票。还有基于SVR（支持向量回归）的混合模型预测股价,将SVR和进化算法、SOM（自组织映射网络）、主成分分析等方法结合得到混合模型预测股票。另外还有研究人员通过挖掘社交媒体和新闻中投资人情感来进行股票预测。已有的基于SVR混合模型中,大多是针对单一特征建立模型进行预测。本文在基于已有的基于SVR混合模型的基础上,尝试了一种新的组合方式,对输入数据在多个方面进行了噪声抑制。针对SVR模型的特点对输入数据进行了变换,使用差分数据替代了原始输入,同时也突出了股价变化趋势。针对股票中混合着各种线性和非线性因素,引入小波变换来分离出股票中的主要成分和细节成分。针对股票数据单个数据点可能因为突发因素而存在明显噪声,使用了多尺度滑动窗口平均值进行抑制,在此基础上搭建了模型进行对单一输入特征进行股价预测。同时本文针对单一输入特征模型中,输入特征太少的问题,尝试将多维特征作为输入数据,并对单一输入特征模型进行了调整和改进,对多维输入特征模型进行股价预测并将结果和单一输入特征模型结果进行了对比。本文的创新点和主要工作内容有:1)提出了新的基于SVR混合模型用于预测股票价格;2)引入的小波变换分离股票信息中的主要成分和细节成分,并分别进行预测,从而达到抑制股票中噪声的目的;3)实现了基于上述算法的SVR模型并将模型应用于实际股票数据进行训练和预测,实验结果证实了提出的模型在相关的评价指标上取得了较好的效果;4)对中美股票市场近期的股票价格进行了预测,预测结果表明模型可以给投资人在股票分析和风险控制上提供一定的价值信息。