：本文介绍了时间序列的基本概念以及主要特征,并通过神经网络及其混合模型来对时间序列进行分析和预测。首先通过时间序列的历史数据训练神经网络并通过神经网络描述时间序列的规律及发展趋势；然后利用以发现的规律对新的数据的表现作出预测并与其真实值进行比较。文章首先对神经网络模型中比较常用的BP神经网络和自组织神经网络进行了综述。然后参考李嵩松的文章,在自组织神经网络的基础上建立了新的自组织差值理论模型,并对分类个数和差值的权重进行了改进,通过比较找出一个较好的神经网络结构。将自组织神经网络和BP神经网络结合,通过比较不同分类个数和隐藏层的预测误差找出较好的模型。参考Lampinen J.和Oja E的文章将自组织神经网络与自回归模型相结合,并改进了神经网络的权值初始化以及学习率,通过比较不同的分类个数找到一个误差较小的模型。文章中选择了BP神经网络作为对比模型来评价新的模型的效果。研究的时间序列模型是Mackey-Glass时间序列模型和股票指数时间序列模型。所有的模拟、预测以及比较是在Matlab工具上进行的。在对Mackey-Glass时间序列预测时BP神经网络的最小误差为0.0010,自组织差值模型的最小误差0.3691,自组织自回归神经网络的最小误差0.0008, SOMBP神经网络最小误差是0.0081。在对股票指数时间序列预测时,上述模型的误差分别为0.0174、0.0081、0.0135和0.0381。比较结果显示在Mackey-Glass寸间序列中,自组织自回归神经网络的最小误差比BP神经网络小了0.0002,在股票指数模型中自组织差值的最小误差比BP模型小了0.0093。