现代计量经济学和金融学的许多研究成果都需要金融时序预测，其预测精度往往受到各种不确定因素的影响。大多数的金融时序是非平稳时序，并且具有非线性的特征，因此，用经典线性预测模型对金融时序预测，其预测效果往往不够理想。RBF网络能以任意的精度逼近任何多元连续函数，并且训练速度也比较快，所以本文选择用RBF网络构建金融时序预测模型。首先介绍了3种常见的RBF网络算法。其次，通过计算机实验说明了RBF网络宽度还有改进的必要性，于是提出了一种搜索RBF网络宽度的算法，详细描述了整个算法的流程，最后通过仿真实验验证了这种方法的有效性。神经网络集成技术是近些年研究的热门课题，利用神经网络集成技术将多个神经网络预测输出组合成一个预测输出，这个组合后的预测输出的预测精度往往要高于所有单个神经网络预测输出的预测精度。神经网络集成技术主要包括两方面的内容：一方面是如何生成单个神经网络；另一方面是如何组合多个神经网络输出。首先论述了改进RBF网络组合方法的必要性。其次，详细描述了改进RBF网络组合算法。最后，采购经理人指数预测结果表明这种改进是有效的。本文的主要研究成果如下：（一）提出一种搜索RBF网络宽度的方法。实验表明，基于宽度改进的RBF网络的拟合效果好于使用固定宽度RBF网络的拟合效果。（二）考虑到单个RBF网络预测输出的异常值对RBF网络集成预测模型的最终预测精度有较大影响，在将多个RBF网络预测输出组合之前，借助SAS统计分析软件对每个RBF网络预测值进行了分析，剔除掉异常值，然后再组合剩下的RBF网络的预测输出。实验表明，使用本方法可以提高集成预测模型的预测精度。