科学地预测尚未发生的事物是预测的根本目的和任务。无论个体还是组织,在制定和规划面向未来的策略过程中,预测都是必不可少的重要环节,它是科学决策的重要前提。在众多的预测方法中,灰色预测模型自开创以来一直深受许多学者的重视,它建模不需要太多的样本,不要求样本有较好的分布规律,计算量少而且有较强的适应性,灰色模型广泛运用于各种领域并取得了辉煌的成就。然而灰色预测模型还需要进一步的完善,本文深入分析了影响灰色预测模型精度的因素,对灰色模型作了一些改进,主要工作如下:首先本文分析了数据序列函数变换是提高灰色预测模型精度的一种重要方法,在分析了数据序列光滑性的基础上,给出了一种新的函数变换方法,通过理论证明和实验检验验证了该函数变换的有效性。其次分析了灰色模型建模机制,讨论了初始条件对灰色预测模型精度的影响,进而给出了一种新的初始条件选择方法,在分析了灰色模型和神经网络各自特点的基础上,给出了把两者结合起来,建立一种兼有两者优点的灰色神经网络预测模型。最后本文对灰色预测模型背景值的构造方法进行了分析,引入了向量来重新对背景值进行构造,改变了原始灰色预测模型用固定值构造背景值的方法,并用粒子群算法优化方法来求解背景值向量,把这种方法应用到灰色非线性GM(1,1,(?)b)模型中,将灰色非线性GM(1,1,(?)b)模型推广为适用范围更广和精度更高的灰色非线性GM(1,1,λ,(?)b)模型。