现实世界中的时间序列通常包含多种不确定性因素,所以很难用传统的线性模型建模、预测。且含噪声时间序列的非线性预测是自然界和社会科学中普遍存在的问题,解决这一问题不仅具有理论意义而且有广泛的应用前景,因此也吸引了国内外众多学者研究它。过去的研究是通过不同的模型来比较模型的预测精度,并没有过多的考虑噪声对预测的影响。所以人们往往很难利用传统方法实现对时间序列的精确预测,影响了时间序列的进一步研究。同时,时间序列产生的数据在收集、测量、传输过程中可能含有噪声,并且不同研究背景的数据序列受到噪声的影响程度不同,从而掩盖了时间序列信号的内在规律,使得传统的预测方法得不到满意的预测结果,因此,如何有效的利用时间序列构建模型是一个急需解决的问题。小波变换、神经网络是当国内外研究的热点,但是国内外把这些理论结合起来研究带观测噪声的时间序列预测,并不多见。太阳黑子是非线性的、高度复杂、多时间尺度变化的时间序列,且在观测与收集数据时经常受到自然界环境等的影响,使得观测结果存在着噪声,并且序列本身是呈现非线性的、高度复杂的、多时间尺度变化的。对于线性模型来说显然是不适合对太阳黑子数的时间序列作预测的。所以本文以太阳黑子数日变化的时间序列为研究对象,利用小波分析的去噪特性及神经网络的非线性拟合能力,对时间序列进行建模分析。本文采用将小波分析与神经网络进行结构结合对时间序列进行建模。在对网络构建模前,首先用小波消噪方法对时间序列进行消噪处理,然后充分利用了BP神经网络的非线性特性;进行建模、预测。实验结果表明此方法的预测精度要高于普通方法。