关于神经网络的研究在近几年取得了令人瞩目的进展，引起了包括计算机科学、脑神经科学、人工智能等学科领域内的科学家们的巨大热情和广泛兴趣。神经网络是人类对其大脑信息处理机制的模拟，希望通过模拟人脑的结构和思维来实现它的功能，其理论的应用已渗透到各个领域。 BP神经网络是目前神经网络理论发展最完善、应用最为广泛的网络。其采用误差反传的特性解决了隐层引入以后的学习问题。其实质是采用梯度下降法使权值的改变总是朝着误差变小的方向改进，最终达到最小误差。由于它采用非线性规划中的最速下降法，因而存在极易陷入局部极小的缺陷。 本文首先基于BP算法应用于金融实务领域的不同，对原BP算法的单一目标函数进行了改进，分别取其期望目标和方差目标，进行了BP算法的推广，使其应用范围更广。而后针对BP算法易陷入局部极小的缺陷，提出了一种新的算法AMBP算法。通过对权值引入随机噪声解决了其易陷入局部极小的缺陷，用马尔可夫链的性质对其收敛性进行了证明，并通过了实例进行了验证。最后我们将BP算法应用于股票价格预测，通过对上海证券交易所数十支股票的实际数据进行训练与校验，我们发现BP算法采用在线方式对股票价格进行预测时，因具有滞后性而不适于对股票价格的预测。