时间序列广泛存在于科学和社会活动中,对其作出合理、精确的预测有着重大的科学研究价值。近年来,回声状态网络以其训练算法简单高效,储备池动力学特性强大的优势,获得了众多研究者的广泛认可,并逐渐成为了时间序列预测建模的主流。针对回声状态网络中储备池存在适应性差、包含的节点数量较多以及参数难以调整等问题。本文将采用差分进化算法来为储备池选取最符合当前时间序列的参数设置。为了提高差分进化算法对参数的寻优性能,对差分进化算法提出以下两点改进方法:一是提出了一种新的策略选择因子ZZ,使得个体可以随着进化的推进,动态选取符合当前进化状态的变异策略,以改善差分进化算法的寻优性能;二是将策略选择机制中的高斯变异策略替换成高斯三角变异策略,进一步增强DE算法在进化初期的勘探能力。通过上述两点的改进得到一个新的差分进化算法,本文称之为改进的高斯骨架差分进化算法（IGBDE）。最后将IGBDE与同类型的骨架算法GBDE、MGBDE、t BBDE、SMGBDE、CABDE在由13个基准函数和5个CEC2005中的高级带偏移函数组成的18个测试函数测试比较下,发现本文所提出的改进高斯骨架差分进化算法（IGBDE）在处理单峰函数、带旋转或偏移的复杂测试函数时较前面五种同类型骨架算法具有很大的优势。之后,利用本文所提出的改进高斯骨架差分进化算法（IGBDE）优化回声状态网络（ESN）进行时间序列预测分析。另外还在储备池参数中新增加了初始化储存池参数,并结合储备池的另外四个基本参数（储备池大小、谱半径、稀疏度、输入转换因子）形成IGBDE算法需要优化的网络参数。通过模型IGBDE-ESN对时间序列Mackey—Glass和对赣州月平均气温的仿真实验结果分析,总结出本文所提模型较其他同类型预测模型在对时间序列的预测上准确度较高且具备了较好的稳定性。