在生活的各个领域，数据预测具有普遍性，对时间序列预测技术的研究具有深刻的现实意义。本文分别对线性、简单非线性及复杂非线性时间序列的预测问题进行研究。对现有时间序列预测模型和相关技术进行研究。首先对时间序列数据特性进行检验，包括线性、非线性检验及记忆性检验；在此基础上，对特性不同的时序数据预测模型及方法进行研究，包括短记忆时间序列模型，长记忆时间序列模型以及复杂非线性时间序列的预测方法。在滚动式时间序列预测方法基础上，研究了基于最优估计优化的滚动式时间序列预测方法，提出粒子滤波优化的滚动式时间序列预测法。滚动式提取数据，分析数据特性，自适应建模，对参数加以扰动构建粒子集。依据构造模型进行预测，根据历史数据观测值和真实值的偏差获得粒子权重，从而提高单步及多步预测精度。并在此基础上，研究核粒子滤波优化的的滚动式时间序列预测法。与滚动式时间序列预测相比，实验表明基于最优估计优化的时间序列预测方法，能够提高预测精度。在基于神经网络的时间预测技术的基础上，提出基于KII网络模型的复杂非线性时间序列预测法。采用试值法，遍历搜索网络，根据奥卡姆剃刀原则确定网络结构；在此基础上，采取梯度下降法，对网络参数进行学习、训练。采用了经典的非线性数据——太阳黑子数，进行仿真验证了算法的有效性。本文所做的研究对于时间序列预测精度的提高，有一定的理论意义和实际工程应用价值。