非线性时间序列预测问题是科学研究以及工程应用领域的一个研究热点,针对传统集成学习方法的不足,本文从集成算法、参数学习、集成学习方法以及基学习器的选择等四个方面,开展基于人工神经网络和模糊认知图的集成学习方法及其在时间序列预测问题中的应用研究。本论文将BP神经网络作为AdaBoost.RT (Adaptive Boosting. Regression and Threshold)集成学习算法的基学习器,并应用多模型策略和全局建模策略于非线性时间序列的预测。在AdaBoost.RT算法中,阈值参数的选择至关重要。与原始算法预先设置阈值参数的不同,本文提出一种基于FNN (Fuzzy Neural Network,模糊神经网络)的改进型AdaBoost.RT算法,自适应地调整阈值参数,提高了AdaBoost.RT算法的建模精度。在改善集成学习方法框架方面,本文采取一种选择性集成策略。利用进化算法,将基学习器的选择问题转化为优化问题,提出了基于Elman申经网络和AIA (Artificial Immune Algorithm-人工免疫算法)的选择性集成学习方法,并用建立的集成模型对股票时间序列进行预测,验证了所提算法在非线性时间预测问题中的有效性。在利用混合模型建立集成模型方面,将FCM (Fuzzy Cognitive Map,模糊认知图)和F-cm聚类算法(Fuzzy-c-means,模糊C均值聚类)有机结合起来,建立混合模型,并将基于该混合模型的集成模型应用于时间序列预测问题,验证了混合模型的有效性。