近年来,模糊时间序列预测方法已经广泛应用于多个领域,模糊时间序列模型的研究也得到越来越多的关注。现有的研究主要集中于三个因素：论域的划分、预测规则的确立、去模糊化方法,这三个因素对模型的预测精度具有很大的影响。为了使预测更加准确,本文基于现有一些模型提出了两种新的混合预测模型,即,一种结合经典模糊时间序列和启发式方法的自适应模型,以及一种基于模糊C均值和遗传算法并结合经典模糊时间序列和启发式方法的自适应混合预测模型。首先,本文提出了一种结合经典模糊时间序列和启发式方法的自适应模型。该模型在训练阶段采用自适应方法自动调节预测分析窗口的大小,克服了现有一些模型采用固定分析窗口的缺点,从而提高模型的预测精度。此外,预测过程中往往只考虑当前状态而没有考虑到下一状态,这也是影响模型预测精度的一个重要因素。为了降低该因素的影响,提出的模型在测试阶段先基于经典模糊时间序列Mamdani推理法得出下一状态未知数据的模糊化结果,然后采用改进的启发式算法计算预测值。其次,本文在提出的结合经典模糊时间序列和启发式方法的自适应模型的基础上又提出了一种基于模糊C均值和遗传算法并结合经典模糊时间序列和启发式方法的自适应混合预测模型。该模型在模糊化阶段先采用模糊C均值聚类算法将历史数据模糊化并分类,然后采用遗传算法来优化确定各区间长度,克服了采用等分法划分论域存在的信息缺失现象和模型解释能力不强等问题。然后,在模型预测阶段基于得到的模糊化结果和最优区间划分,采用结合经典模糊时间序列和启发式方法的自适应模型的预测方法计算预测值。仿真实验中,将提出的两个模型应用于不同的时间序列中,包括：Alabama大学入学数据、TAIFEX股指数据、Mackey-Glass时间序列等。通过与现有模型的预测结果进行比较来验证本文模型的预测性能。实验结果表明,本文提出的两个模型取得了较高的预测精度,实现了较好的预测性能。