本文主要研究最小二乘支持向量机(LS-SVM)方法在非线性时间序列预测中的应用。主要内容包括使用不同的方法减少LS-SVM中支持向量个数对模型预测性能的影响，并讨论了LS-SVM中参数的选取方式。首先，本文引入应用较为广泛的K-means聚类算法预处理训练数据来减少网络中支持向量的个数，将此方法应用在Mackey-Glass方程的预测中，并与逐次减去小数量支持向量的方法做比较。实验结果表明基于聚类的方法可以为网络训练过程节省更多的时间，且更有助于提高预测模型的抗噪声能力。其次，本文分析了预测性能随不同参数的变化情况，提出使用基于混沌变异算子的进化规划算法优选网络参数，结果表明本方法快速有效地提高了预测模型的训练和抗噪声的能力，周时也说明优化的LS-SVM是一种优秀的小样本学习方法，具有更强的泛化能力。此外，本文应用改进的LS-SVM网络预测Nasdaq股票数据，根据同一股票在不同阶段所含噪声的大小，分别采用相应的方法进行预测，取得满意的效果，证明了LS-SVM方法在实际预测工作中的可行性。