动态贝叶斯网络是对动态系统进行建模和状态估计的重要工具之一。其最突出的优点是：能方便处理不确定性，并且其预测结果也更可靠更合理，因此成为近年国内外研究的热点。许多统计模型的变量变动具有一定的特性，例如周期性等。股市的“艾略特波浪理论”就是状态时间序列变化规律的一个特例。然而，现有贝叶斯网络预测模型大多忽视了这些性质。本文应用时间序列分析的一般方法，通过分析状态变量周期性，分别从三个不同的角度建立了基于周期数据的贝叶斯网络预测模型。本文的贡献包括以下几个方面： 对于有周期特性的数据，通过增加相应的状态变量提出一种基于周期性数据的动态贝叶斯网络预测模型。由于充分考虑到原问题的周期特性，因此有效的提高了预测的精确度。特别的，应用于我国电力增长率问题，该模型取得较好的效果。 对于周期变动明显的数据，通过引入周期状态转移矩阵，提出了一种基于周期的一阶隐马尔可夫模型，分析并给出了该模型的似然计算、隐状态估计和模型训练的算法。最后，数据模拟验证该模刑能有效提高预测的精确度和模型的似然度，并加快模型训练的收敛速度。 对于贝叶斯网络结构有周期特性的数据，通过引入周期性网络结构，提出了一种周期性动态贝叶斯网络结构学习。最后，数据模拟验证该模型能有效提高预测的精确度。