脑电信号是大脑组织活动和大脑功能状态的综合反映，是一种相当复杂的信号，它是人们了解大脑活动的一扇窗口。脑电图（EEG）是脑电信号在大脑皮层或头皮表面的总体反映。实际上脑电信号具有混沌的特性，即脑电信号是一种非线性的混沌时间序列。工程上可以应用混沌理论的方法对脑电信号进行分析。从而对大脑活动及一些疾病诊断和预测提供了一个辅助手段。近年来，由于混沌理论和应用技术研究不断深入，混沌时间序列分析及预测己成为混沌信号处理研究领域的前沿研究热点，并且能够解决工程实践中遇到难以用线性信号处理方法解决的大量非线性信号处理问题。其中，Vapnik等人根据统计学习理论提出了支持向量机学习方法，已经广泛应用于建模解决分类和回归预测问题。支持向量机最大的特点是改变了传统的经验风险最小化原则。它是针对结构风险最小化原则提出的一种学习机。因此具有泛化性能好，全局最优及稀疏解等特点，近年来受到国际学术界的广泛研究和重视。本文主要围绕时空混沌序列的局域支持向量回归（Support Vector Regression, SVR）法预测和分布式支持向量回归（SVR）法预测，以及这两种方法在脑电预测中的应用展开研究。本文的主要内容包括：（1）局域（SVR）预测法及其在脑电中的应用；（2）K-means聚类算法中的奖惩竞争算法（Rival Penalized Competitive Learning，RPCL）及其改进算法；（3）分布式SVR及其在脑电预测中的应用。文章的主要工作包括：（1）阐述混沌及时空混沌的定义及特点。提出对于具有混沌特性的脑电，可以用支持向量机方法对其进行建模回归预测。（2）阐述了统计学习理论和支持向量机理论。概述了现有的支持向量机的研究现状及其训练算法。为了提高支持向量机在大样本情况下训练遇到的困难，引入了局域法支持向量机。相对于全局支持向量机，局域支持向量机预测误差较小，且训练速度快。（3）基于局域法的观点，提出了分布式的支持向量回归（SVR）。改进RCPL聚类算法，并把它应用到分布式SVR中。（4）实验对真实脑电进行预测。最后总结了本文的主要工作，并指出模型的一些主要问题和可以进一步研究发展的方向。