混沌预测和辨识是完成混沌同步和混沌控制的基础。目前,神经网络、模糊系统等计算智能方法已经被广泛应用于混沌预测和辨识中,并取得了较好的效果。本文进一步研究了基于支持向量机方法的混沌系统预测与辨识,将支持向量机应用于混沌时间序列的单步和多步预测中,取得了较好的预测效果；研究了使用粒子群优化方法优化支持向量机的核参数；将支持向量机用于典型的混沌系统辨识中,分析比较了基于SVM的辨识模型性能,结果表明了该方法的有效性。本文的主要研究内容包括以下几个方面：(1)研究了混沌时间序列相空间重构理论,确定混沌时间序列的延迟时间的互信息法,确定其嵌入维数的Cao方法。在此基础上,对Mackey-Glass、Santa Fe和月太阳黑子三种典型的混沌时间序列,使用最小二乘支持向量回归机(Least Square Support Vector Regression, LS-SVR)进行单步预测,分析比较了预测模型的性能。为了验证LS-SVR方法的有效性,比较了径向基核函数、多项式核函数与感知器核函数的LS-SVR预测模型性能；进一步,还与使用上述核函数的ε-SVR和v-SVR预测模型进行了性能分析与比较；研究了改进粒子群优化方法优化核参数后的LS-SVR预测模型性能；研究了基于SVR、LS-SVR的预测模型在含噪混沌时间序列预测中的应用。(2)研究了LS-SVR对混沌时间序列进行直接多步预测和迭代多步预测的性能,与ε-SVR和v-SVR建立的多步预测模型进行了分析比较,实验结果表明,对混沌时间序列多步预测,基于LS-SVR的预测模型是有效的,其预测性能得到进一步提升。(3)针对混沌辨识,使用LS-SVR建立一维Logistic映射、二维Henon映射和三维Lorenz系统的辨识模型。分别通过重构混沌吸引子和计算Lyapunov指数与原系统比较,定性和定量评价辨识模型性能。与前馈神经网络和径向基函数神经网络建立的辨识模型进行了预测性能比较。实验结果表明,基于LS-SVR建立的辨识模型能够很好地逼近混沌系统,且性能优于神经网络方法。