预测是信号处理领域的一项重要技术。在跳频通信军事对抗的电子战中，跳频序列预测，能够用于对敌方通信系统实施跟踪式干扰。跳频序列是特殊的非线性序列，呈现出一定的伪随机特性，不能采用传统的线性预测方法对其进行有效预测，要对其进行有效预测，关键就是构造合适的非线性预测器。论文研究实现了基于Bernstein多项式的非线性预测器、基于支持向量机(SVM)的非线性预测器和基于径向基(RBF)神经网络非线性预测器，并对非线性预测器在实际跳频通信中的应用作了相关的研究。论文的主要工作如下：1．针对迭代误差的累积问题，基于Bernstein多项式的逼近定理，并结合内插方法，提出了一种局域变帧长建模预测算法，在进行毎帧预测时，都寻找使训练样本逼近性能最佳的预测帧长用于序列建模。2．从借助最优化方法解决机器学习问题的角度出发，分析SVM在分类中的应用，并将其推广到回归问题，从而实现了对SVM非线性预测器的构建。在SVM非线性预测器的构建过程中，仍沿用局域变帧长的思想。3．针对单一预测方法预测性能受限序列特性的问题，采用径向基(RBF)神经网络对时间序列进行非线性建模，并结合待预测时间序列的特点，提出了一种基于径向基神经网络的混合模式预测算法。4．针对在实际跳频通信系统中，噪声扰动对预测精度的影响，进行了预测算法的抗噪性能分析研究，提出了在预测前端，采用PCA提取主元的方法来分离噪声，从而降低噪声对预测结果影响的解决方案。5．针对跳频时间序列多步预测中，预测性能欠佳的问题，提出了采用D-S证据理论对多种算法的预测结果进行融合，实现在不增加干扰信号功耗的前提下，提高跳频序列长期预测性能的方案。