回归分析是一种十分常见的数据分析方法，通过观测数据确定变量间的相互关系。传统回归分析以点数据为研究对象，预测结果也是点数据，而真实数据往往在一定范围内变动的。基于置信度可以形成置信区间，一定程度弥补了预测值为单点的不足，但将点数据作为研究对象，以点带表某范围内的所有数据，往往存在信息丢失的问题。区间回归分析是一种以区间数为研究对象的数据分析方法。区间数能反映出数据的变动范围，更符合现实情况。区间型符号数据是区间数的一种，通过“数据打包”形成，因此除具有区间端点信息外，还具有区间内部散点信息。　　本文基于区间数有无散点，进行了分类研究。当区间数散点未知时，可以利用的信息包括区间端点、中点、半径等。当前针对特殊值的研究已取得许多成果，其中一类是以区间中点、半径来表示一个区间数的，包括中点半径法、约束中点半径法、模型M等。这些方法的不足在于，未考虑区间中点误差范围较大而区间半径相对较小的情况，本文通过添加约束条件，在中点半径法基础上加以改进。蒙特卡洛实验表明，新的约束中点半径法能在中点波动较大时，依然保证预测区间与观测区间有所重叠。最后将新的约束中点半径法应用于沪深300指数预测中。当区间数散点已知时，除了特殊值，还可以充分利用内部散点信息。现有的基于描述性统计量的回归模型（DSM）充分利用了内部散点信息，但预测时会出现区间左端点大于右端点的情况，为解决这一问题，本文对DSM模型进行改进，形成扩展的DSM模型（eDSM）。一方面对原模型增加了假设条件，为后续新的预测策略提供支持，并给出了求解公式的推导，另一方面对预测策略进行改进。预测时有两种策略，一是预测区间均值、均值到区间左右端点的距离，进而形成区间，一是预测内部散点，将散点“打包”成区间。在模型假设成立的情况下， OLS模型可用于系数估计，因而有两种系数估计方法。将系数估计方法、预测策略进行组合，共形成四种方法，通过蒙特卡洛模拟，将四种方法进行了对比，并与现有的DSM、约束中点半径法（CCRM）方法进行了比较，结果表明，在误差范围不变的情况下，当系数绝对值较大时，系数估计选用eDSM模型，预测采取预测散点的策略，效果最优，当系数绝对值较小时，系数估计选用eDSM模型，预测采取预测特殊值的策略，结果更为突出。最后将各对比方法应用于股指变动预测和淘宝店铺信用度预测中。