混沌是非线性动力系统中普遍存在的现象。作为非线性动力系统的本质属性,利用神经网络对混沌时间序列进行高精度的短期预测,一直是研究的热点领域。回声状态网络（Echo State Network,ESN）是一种具有反馈记忆功能的动态神经网络,在处理非线性时间序列的预测问题上具有广泛应用。本文利用多主体学习模型,对混沌动力系统的行为进行研究和分析。论文的主要内容与研究结果如下。第一,探究传统ESN的内部结构,确定影响模型性能的参数。保持内部其余参数不变,观察两个关键因素:储备池神经元总数和谱半径,对网络稳定性以及模型预测能力的影响。以两个经典的混沌动力系统:Mackey-Glass时滞混沌系统和Lorenz混沌系统,以及四川盆地极端降水作为实际应用场景,进行实证分析。实验结果证明,反复调试组合对（N,SR）,ESN能够达到较好的运行状态,并且使得基础模型具备预测混沌时间序列的应用能力。第二,受多主体分布式群集运动一致性控制思想的启发,在优选ESN的储备池内部神经元总数和谱半径基础上,将ESN作为基本单元,构建了多主体回声状态网络模型（Multi-ESN）。在该模型中,每个大规模的随机稀疏储备池被视为独立的学习主体,分别对信息进行接收和处理。然后将所有主体学习到的信息反馈到信息融合中心进行集成式学习（I-Multi-ESN）或分布式学习（D-Multi-ESN）。以相同的混沌动力系统作为预测对象,实验结果表明,Multi-ESN模型按两种信息融合方式的预测结果都优于ESN,且在一定程度上,D-Multi-ESN模型比I-Multi-ESN在局部细节的处理更有优势。因此,基于分布式多主体回声状态网络的非线性时间序列预测方法可以大幅提高动力系统的预测精度,弥补单一主体训练精度的不足,增强模型的泛化能力。第三,为探究主体个数对网络结构的影响,将Multi-ESN模型进一步细化为Multi-3ESN和Multi-5ESN两个具体模型,分别以两种信息融合的方式进行实验,设置实验对照组,比较相同数据集的预测结果。实验结果佐证,扩大模型中储备池的数量,适当增加学习主体的个数,可以有效提高交互学习的效果,优化网络结构,提高模型的稳定性,赋予理论模型实际意义和应用价值。综上,针对中尺度短期的混沌动力系统,多主体学习模型在研究其行为和轨迹上具有更稳定的网络结构,展现出较好的预测能力和泛化能力,值得深入研究。