时间序列预测的研究是当今世界中比较重要的研究领域之一，涉及到自然科学和社会科学等众多领域，具有重大的科研价值，对我国各方面的发展有着重要的指导作用。其中使用机器学习算法来进行非线性时间序列的预测研究更是当今世界科学的前沿和热点。基于时间序列预测的重要意义，众多的专家学者提出了很多预测模型，特别是机器学习算法中的神经网络预测模型，这使得时间序列预测的问题都有了一定的解决方法，但就目前来看，神经网络预测模型仍然存在着一些缺点。由于神经网络预测模型泛化能力和联想记忆能力较差，本文提出将电生物学中的迟滞特性引入传统的神经网络中，构建迟滞神经网络，来达到改善预测模型泛化能力和联想记忆能力的目的。研究迟滞神经网络的性质，并使用迟滞神经网络进行各种实验，例如向量信息的储存，字母识别和函数曲线逼近等，来证明迟滞神经网络的泛化能力和联想记忆能力优于传统的神经网络模型。将迟滞神经网络模型应用到时间序列预测上，并具体应用到商品零售价格指数预测和人口数据预测上，通过与其他时间序列预测的方法比较，从而得出迟滞神经网络具有更好的预测效果。