多元时间序列广泛存在于社会生活的各个领域,多个变量之间具有复杂的关联关系。分析多元时间序列变量间的相互影响关系,挖掘系统潜在的蕴含信息,对复杂系统的分析与建模具有重要的现实意义。本文以复杂系统的多元时间序列为研究对象,针对多变量间的因果关系展开研究,为预测模型构建合适的输入特征,最终达到精简模型、提高预测精度的目的。本文的研究内容如下:针对传统的Granger因果模型仅仅适用于二变量、线性系统,无法应用于多变量、非线性系统的问题,本文提出一种基于Hilbert-Schmidt独立性准则（Hilbert-Schmidt independence criterion,HSIC）-群组Lasso的Granger因果分析模型。该模型首先对原始时间序列进行平稳性检验,然后利用非线性映射将输入变量和目标变量映射到再生核Hilbert空间中,克服了传统Granger因果模型无法进行非线性因果关系分析的缺点。最后,建立HSIC-群组Lasso回归模型,并根据回归模型的系数及显著性检验结果确定变量间的Granger因果关系。此外,在构建因果分析模型时,模型阶数和正则化参数对分析结果具有较大的影响。为了避免人为设定带来的误差干扰,该模型采用贝叶斯信息准则（Bayesian information criterion,BIC）自动地选择模型阶数和正则化参数。在对标准数据集及空气质量指数及气象系统的仿真实验中,验证了本文方法的有效性。针对向量自回归（Vector autoregression,VAR）模型没有考虑变量间瞬时效应的影响,可能产生虚假因果关系的问题,本文提出一种基于结构VAR（Structural VAR,SVAR）模型的非线性扩展瞬时Granger因果分析模型。该模型充分考虑了时滞变量和瞬时效应的作用,将瞬时效应纳入其中,可以有效避免因瞬时项的缺失导致的虚假因果问题。此外,为了满足非线性建模的需求,该模型对原始数据进行非线性映射,在再生核Hilbert空间中进行非线性因果关系分析。在建立模型时,采用贝叶斯信息准则来确定结构VAR模型的阶数,避免人为参数设置的影响。最后,根据显著性检验结果确定变量间的因果关系。通过对具有瞬时效应的系统和气象及污染物系统的因果检验仿真实验,验证了本文所提方法的有效性。