通过分析复杂系统各变量时间序列,重构一个能清晰展示系统变量演化轨迹的相空间,进而确定输入向量的组成,包括变量组成及各变量的延迟状态组成,最终建立系统演化模型或预测模型。这种重构是揭示复杂系统动力学规律的基础。本文探讨复杂系统多变量时间序列相空间重构及其应用问题,主要包括:1)参与重构的多输入变量选择。充分考虑系统的非线性,引入非线性相关度来衡量各个变量与输出变量之间的相关性,确定输入变量组合;进而采用C-C方法对所选输入变量进行初始相空间重构,确定每个变量的嵌入维数和嵌入延迟,构建一个由多个变量不同延迟时间的状态点组成的输入向量空间。仿真结果表明,把对输出相关度大的变量进行组合用于重构,所获得的相空间包含的信息更有利于对感兴趣的变量进行预测,为多输入变量相空间重构提供新的思路。2)高维输入相空间的降维问题。在（1）的基础上,针对所建初始输入向量存在高维、冗余信息等问题,引入独立成分分析（ICA）方法对初始相空间做降维处理。把所有变量在时刻t的延迟重构向量作为ICA模型输入,提取初始输入向量中的独立元信息,从而在降低输入维数的同时,可以保证输入中包含有效的预测信息,为系统建模与分析降低难度。对典型多输入复杂系统——Rossler方程进行仿真计算,结果表明降维后的相空间轨迹清晰,将其结果用于多变量预测,可以降低计算难度,获得更高的预测精度。