由于模糊时间序列在处理数据的不确定性和模糊性方面上所显示出的优势,它吸引了更多研究者基于模糊时间序列模型来处理预测问题。研究发现模糊时间序列模型中论域划分与数据模糊化是两个重要部分。目前,现有的模糊时间序列预测模型在论域划分及数据模糊化过程中依然存在不足,本文针对上述两个问题进行了研究。在论域划分上,目前的研究表明根据样本数据在论域上的分布特点,合理地划分论域十分重要,间隔长度的确定将极大地影响预测结果,有效的论域划分有助于预测精度的提高。基于此,本文提出了两种划分论域的新方法：一种是基于多尺度比率的论域划分方法；另一种是基于可调参的FCM算法的论域划分方法。并分别利用这两种方法对Alabama大学注册人数进行了预测,结果表明这两种算法优于以前的一些算法。在数据模糊化上,目前的研究通常采用主观定义模糊集的方法,结果出现数据钝化,不能体现数据的敏感性,导致不能真实地反映数据结构的分布。基于此,本文在数据模糊化时提出了一种新的模糊集定义方法,并在此基础上给出了六个新的模糊集；其次给出了数据模糊化规则；最后通过Alabama大学注册人数的预测结果表明了这种新的模糊集定义方法的有效性。