信号识别问题是当今信息传输领域非常重要的一个问题,其中,声波信号识别问题的研究已经取得了长足的发展,特别是在军事领域,各国都投入了大量的资金和科研人员对其进行深入的研究。例如在军事上的声纳识别技术。声纳是各国海军进行水下监视使用的主要技术,用于对水下目标进行探测、分类、定位和跟踪,进行水下通信和导航,保障舰艇、反潜飞机和反潜直升机的战术机动和水中武器的使用。声纳技术已成为各国水下技术的重点发展对象,随着数学理论的发展和信号处理技术的提高,声纳信号识别的方法趋于多样化,识别的技术性能等都有了很大提高,识别方法和模型多种多样,但主要利用这样几种方法：神经网络方法、小波变换方法、支持向量机方法、功率谱方法等以及这几种方法的结合。本文主要考虑利用时间序列和支持向量分类机相结合的方法来对信号进行识别。由于实际问题的某种信息的发生和发展具有随机性,并随时间的推移而具有某种统计规律,在此情况下,难以应用一般确定的解析方法描述其过程,而时间序列分析则是用统计学和信息数据处理技术,探寻其规律,探明其特征,是解决实际问题的非常有效的工具,并且方法较为成熟,其参数估计及检验等也较易操作。支持向量机是数据挖掘中的一项新技术,是借助于最优化方法解决机器学习问题的新工具。它能非常成功地处理分类问题、判别分析、模式识别及回归问题等诸多方面的问题,并可应用于预测和综合评价等领域。本文利用时间序列模型、等测度变换的时间序列模型和ARTAFIT模型对声波信号进行处理,得到参数集合,对不同的声波信号会得到不同的参数集合,对于参数集合利用支持向量机进行分类识别,从而提高了识别的准确性；当参数集合过大时,可先利用主成分分析方法降阶,而后再利用支持向量分类机进行识别,并给出实例分析,模型应用效果较为理想。对未来的预测是时间序列模型的重要用途之一。时间序列预测法就是通过编制和分析时间序列,根据时间序列所反映出来的发展过程、方向和趋势,进行类推或延伸,借以预测下一段时间或以后若干年内可能达到的水平。由于现实中的很多数据都是非线性的,很多传统的方法对于非线性问题的预测效果并不是非常好。因此,本文提出利用时间序列和支持向量回归机相结合的方法对数据进行预测。首先,为了提取更多有用的信息,本文直接利用支持向量回归机对原始的时间序列进行拟合与预测,利用支持向量回归机能够高度拟合非线性时间序列的特性,来有效地提高预测精度。随后可以得到一个残差序列,而残差序列中往往仍然含有一些有用信息,有时对于预测的结果还会有较大的影响。为提取残差中的有用信息,本文考虑利用时间序列模型对残差序列进行拟合与预测。并最终将支持向量回归机和时间序列模型的预测结合起来,就可以得到更为准确的预测值。