本文针对金融危机的危害性,着力找出影响金融风险比较明显的相关指标参数,通过构建预测模型,预测可能对我国产生影响的风险情况,能够有效发现潜在的金融风险,能够服务于宏观方面的金融市场运行,提高金融监管的准确性。文章首先分析了国内外在金融风险预测领域的研究情况,指出我国的金融风险预测系统和相关研究模型构建方面的现状,针对目前国内对金融预警模型处在初步阶段,使用了数据挖掘技术中的FCM聚类和小波聚类算法对比,小波聚类算法除了具备分类的特性以为,还具有小波的多分辨率特性,以及滤波去噪的优势。由于金融数据序列具有非线性等特点,我们接着引入了混沌理论中的相空间重构预测模型,在预测模型中,使用了RBF神经网络模型作为拟合函数。然后,我们将小波聚类和混沌算法进行融合利用,这两种聚类算法达到了简约神经网络的结构,调节相关神经元的参数,减少神经网络的冗余信息,防止过拟合,最终改善预测性能的目的。最后,我们通过实验认证,得到金融风险的预测图,可以看出小波聚类混沌预测的准确性得到了显著的提高,针对预测出的数据,获取金融预警,通过预警所示来指导决策者采取相应的措施。根据前期对小波算法以及混沌相空间重构局域模型的深入研究,了解到这些算法广泛的应用性,又将这些算法应用到金融领域。通过对大量文献的阅读,了解到混合算法的优势,其可以发挥各个单独算法的优点,从金融预测特性出发,将小波聚类算法和或者FCM聚类算法引入到了混沌时间局域模型,并进行了实证,实证结果表明混合算法预测效果较好,准确率较高,符合应用要求。