本文主要研究了多变量混沌时间序列相空间重构参数的选取和多变量混沌时间序列的预测方法,在已有的多变量混沌时间序列相空间重构参数选取方法的基础上,提出了两种改进方法;在此基础上,提出了多变量混沌时间序列的局部多项式和正则化局部多项式预测方法。通过Lorenz系统等混沌模型仿真证实了这些改进方法比目前的常用方法具有更好的预测精度,然后将这些方法应用于上海股票市场中指数时间序列的预测。论文安排如下:首先,概述了股票市场指数时间序列分析中应用混沌时序预测理论的背景和研究现状,介绍了目前混沌时间序列预测法的研究进展。在混沌时间序列预测中,相空间重构理论是基础,而嵌入维数和时间延迟是相空间重构中的两个重要参数,本文在对这两个参数选取法进行综述的基础上,提出了两种新的算法,这两种算法是对常用的虚假最近邻点法和预测误差最小法的改进,改进方法减少了参数确定过程中的主观性。通过对Lorenz系统产生的多变量混沌时间序列仿真检验证实了这两种算法的有效性。其次,在多变量混沌时序相空间重构理论的基础上,提出了多变量时间序列的局部多项式预测法,该预测法是对单变量时间序列局部多项式预测法的推广,仿真检验表明该预测法优于单变量时间序列的局部多项式预测法。同时,研究了多变量时间序列局部线性预测法和径向基函数预测法,并总结出多变量混沌时间序列的通用线性回归模型,指出了线性回归模型中存在的多重共线性问题。为了克服多变量混沌时间序列的通用线性回归模型中利用最小二乘法确定参数时会产生多重共线性的缺陷,在一般的多变量时间序列局部线性预测法和多变量时间序列局部多项式预测法中对最小二乘法进行改进,即引入正则化估计,提出了正则化的多变量时间序列局部线性预测法和正则化的多变量时序局部多项式预测法。仿真结果验证了这两种预测法的优越性。最后,将本文提出的改进的多变量时间序列相空间重构参数选取方法、多变量时间序列的局部多项式预测法、正则化的多变量时间序列局部线性预测法和正则化的多变量时间序列局部多项式预测法应用于上海股票市场综合指数的预测,取得了比常用预测方法更好的预测效果。