随着经济的快速发展,经济形势复杂多变,经济呈现出更大的不确定性和复杂性,经济预测越来越受到重视,它对政府决策、企业经营和个人投资都有着重要的影响。企业经济景气作为经济发展的“晴雨表”和“报警器”,其信息具有较高的超前性、客观性、可靠性和连续性,是监测宏观经济发展趋势和企业生产经营状况的重要手段之一。然而,当前企业经济变量之间存在着非常复杂的多维非线性映射关系,传统经济景气预测过分依赖经济专家的主观性知识和经验,需要大量的假设检验和模型修正,且方法又缺乏非线性数据处理以及环境变化的动态自适应性能力。经济景气分析预测方法逐渐转移到利用现代智能信息处理技术上,对经济景气智能预测方法的研究有着重要的意义和必要性。本文从智能信息处理角度出发,研究处理复杂系统数据的方法—粗糙集(Rough Set,RS)和非参数、非线性支持向量机预测方法—最小二乘支持向量机(Least Square Support Vector Machine,LSSVM),将二者优势结合,解决经济景气指数系统中指标冗余及非线性预测困难等问题。利用RS约简原理及LS-SVM非线性预测特性,提出一种RS与LS-SVM混合预测模型。同时,针对LS-SVM参数选优问题,引入改进的粒子群(Particle Swarm Optimization,PSO)算法进行参数选优。最后将基于RS-PSO-LSSVM的预测模型应用于工业企业景气指数预测中,解决传统景气预测中难以处理复杂系统数据冗余和非线性预测问题。论文分为四个主要部分：第一部分,从经济景气指数、景气预测方法和智能方法在景气预测中的应用三个方面对国内外研究进行了综述；阐述了本文研究的内容和创新之处。第二部分,介绍了景气分析、景气预测等几个基本概念,界定研究的范围；探讨了企业景气指数编制的基本原理及其研究意义,奠定研究对象的理论基础。第三部分,阐述了RS方法的基本理论和属性约简算法,将RS方法引入经济景气指标体系构建和指标筛选中,提出了RS经济景气指标约简的思想,解决复杂数据系统中信息冗余问题；其次,介绍支持向量机基本理论和研究现状,重点阐述了最小二乘支持向量回归算法模型理论,针对LS-SVM求解参数难以确定问题,提出改进PSO进行参数调节选优,提高模型的预测效果。最后,分析了RS处理冗余信息、LS-SVM非线性预测的优势,构建了基于RS的LS-SVM预测模型,并对模型的原理、方法和步骤做了介绍。第四部分,将构建RS-PSO-LSSVM预测模型应用到工业企业景气指数的预测中进行实证分析,将结果与LS-SVM和BP神经网络预测相比较,验证模型的有效性。论文最后对研究作总结和展望,给出了所做工作的总结和未来的工作方向。