时间序列预测是当前人工智能和数据挖掘两个方向的研究热点，其中混沌时间序列是一个重要的分支，其被广泛地应用于信号处理和自动化控制领域．针对动态变化的混沌时间序列，当前的预测方式不能及时更新和优化贝叶斯网络推理模型，从而导致预测精度降低甚至模型失效．因此，为了实时有效地预测混沌时间序列，基于贝叶斯网络推理机制，本文对混沌时间序列的预测方法进行了研究，主要工作概述如下：首先，依据混沌时间序列复杂的伪随机特性，分析了相空间重构的必要性和几种经典的嵌入维数和延迟时间的求取方法，并利用C-C法对混沌时间序列进行仿真实验，结果表明重构后的相空间与原动力系统微分同胚，即在重构后的相空间中能够充分恢复混沌系统的内部规律．其次，针对不同的混沌时间序列，以重构后的相空间为基础，当数据更新或未更新时，分别采用增量算法和互信息得分搜索算法学习贝叶斯网络结构，然后，利用最大似然估计方法学习网络参数，并选取合理的推理算法，进而构建贝叶斯网络推理模型．最后，利用贝叶斯网络推理模型对4种经典的混沌时间序列进行预测仿真实验，仿真结果表明：基于本文提出的贝叶斯网络推理模型不仅简化模型结构，而且预测误差随着数据量的增加而减小，可以实时、有效地预测混沌时间序列．