作为一种非线性动力系统,混沌系统通常获得的系统信息具有不确定性或不完备,由于它具有一般对初始条件极端敏感、存在奇异吸引子等特点,因此一般来说很难建立精确的解析形式的数学模型。而自适应控制通过当前时刻的数据和误差不断调整模型参数,非常适用于具有时变特性或已知数据不完整的系统。因此,本文开展混沌时间序列的自适应预测方法研究,将自适应控制方法运用到混沌时间序列预测技术中。本文主要研究内容如下:首先研究了相空间重构理论以及时间序列混沌特性判别。相空间重构中针对延迟时间和嵌入维数两个参数的选取问题,最佳延迟时间采用自相关法、互信息量法来确定,最佳嵌入维数采用饱和关联维数法和Cao氏方法来确定。在相空间重构的基础上,首先对时间序列作初步的混沌定性分析,然后对特征量作进一步混沌定量分析,最终判定序列是否是混沌序列。建立了基于分数阶LMS算法的Volterra自适应预测。针对传统混沌预测模型存在无学习能力、精度低、收敛速度慢等问题,提出了基于分数阶LMS算法的Volterra自适应预测模型。采用Volterra自适应预测模型,应用分数阶LMS算法调节权重。引入分数阶原理是在标准的LMS算法中增加分数阶微积分项,提高了算法的预测精度。同时为了简化分数阶的运算过程,通过引入可调增益,改进了分数阶LMS算法,提高了算法的计算速度。最后,经过对比仿真实验结果验证了所提算法的优越性。针对基于时变参数的混沌时间序列预测。在基本的预测模型基础上,通过采用自适应控制方法,合理地添加控制量和设计分数阶的时变参数自适应学习律,解决了含有时变参数的混沌时间序列的跟踪预测。同时为了提高了算法的预测精度,采用模拟退化算法优化时变参数自适应学习律,并通过仿真对比实验验证了所提算法的优越性。