在时间序列分析与建模中，支持向量机因为其良好的自学习与自适应能力而比一般模型更容易从复杂模式中抽象出有用的信息，事实上，现实中被观测到的大多数时间序列均表现出非平稳、非线性或混沌的特征，此时，传统的分析预测模型是难以将其严格的假定条件与实际观测相吻合的。 　　本文对统计学习理论和支持向量机技术进行了较为详细的讨论，这是对神经网络发展到目前的一种新的突破，有效地弥补了神经网络所具有的过适应性、非全局最优性和黑箱性等缺陷。本文从统计学理论和人工智能算法的不同角度，分析比较了神经网络和支持向量机的训练过程、网络结构，对基于时间序列观测数据的统计学习建模理论与方法给出了一些有益的结果，并应用于实践。 　　以下是本文的主要研究成果：1.根据SVM的特性，提出了两种新的适用于高噪声、大规模时间序列的回归型增量学习算法，并应用于金融时间序列实证分析。2.本文对不同范数距离下的回归型支持向量机进行了启发式研究，利用不同范数的几何性质得出了几种新的线性规划支持向量回归(LP-SVR)算法，并对其进行了数值实验和分析。3.针对智能交通系统中实时诱导系统的要求和交通流时间序列的特点，设计了一个新的实时交通流模拟与预测系统，将LP-SVR算法作为独立的模块嵌入系统中，为交通诱导数据的可视化表达提供了新的途径。