时间序列预测是人工智能以及数据挖掘中的研究热点。用非线性的方法研究时间序列并对其进行预测,能够解决实际工程应用中的诸多问题。本文主要研究了时间序列的混沌特性,以及在实际应用中的去噪和预测问题。目前对混沌时间序列出现的噪声问题,主要采用的去噪方法是线性的方法,采用此类方法去噪后的时间序列不能够充分体现其混沌特性;采用非线性方法对时间序列去噪的效果较好,但是方法复杂。对于混沌时间序列的预测,目前主要采用的方法是研究数据特性,查找与数据特性接近的混沌方程,用初始数据确定方程参数从而进行预测,由于混沌方程有限以及混沌序列对初值的敏感,该方法对方程的参数要求高,预测效果不好,近年采用神经网络对时间序列进行了预测的研究,但单一的神经网络对预测结果有较大的差异。针对以上问题,本文在了解并掌握混沌时间序列的特性和分析方法的基础上,以简化方法和提高精度为目的,对传统的降噪方法做了改进;以探索预测模型提高预测精度为目的,采用建立集成神经网络的方法对混沌时间序列预测,提高了预测精度。本文主要采用方程生成序列和实际数据集研究相结合的方法做了大量实验,研究结果包括以下两个部分:一是针对混沌信号降噪算法中邻域的选取问题,采用希尔伯黄变换进行初始领域半径的估计,同时运用阈值限定的方法,自适应地在相空间中选取合适的邻域点,然后针对每一个邻域进行不同的非正交投影,更新数据点。采用该方法进行的仿真实验,证实了其简单有效。二是在在预测模型中,考虑混沌时间序列邻域相似这一特点,针对自组织特征网络的自动划分功能,采用了自组织特征映射网络与其他神经网络相结合的方法建立预测模型,由于该模型能将数据先进行分类,然后再建立局部的预测模型,对于时间序列,尤其是大量的数据的预测,有更高的预测精度。