财政收入是国家对经济实行宏观调控的重要经济杠杆,财政收入的增长与一个国家的经济发展和社会进步有关。准确预测财政收入增长问题对国家和政府宏观调控尤为重要。通过了解国内外对财政收入预测研究的发展现状,得出论证财政收入预测的必要性。为了确定影响财政收入的主要指标,得出选取指标的必要性,提出使用灰色关联分析,来选取影响财政收入的主控因素。由于灰色关联分析对样本数据的多少和内在联系不存在过多的要求,这是我们选取它进行指标降维的重要原因。支持向量机是统计学习理论中应用最广泛的理论,它可以解决如小样本,非线性和高维的实际问题。介绍了支持向量机模型的现状和发展,以及模型的原理和优缺点,选取1952-2018年的财政收入和其六个影响指标作为样本数据,其中选1952-2014年作为训练样本,2014-2018年作为测试样本。除了有自回归外,加入另外六个影响指标,通过改变输入样本,即在六个影响指标的基础上加入前一年的财政收入,使用支持向量机模型对财政收入进行预测,来找到最好的支持向量机模型预测方法,得出输入样本是前一年的财政收入和六个影响指标时的支持向量机模型预测误差最小。并和BP神经网络、RNN神经网络和随机森林模型进行预测误差对比分析,得出此支持向量机模型具有更好的预测精度。为了解决单一模型提取信息不完全的缺陷,提高预测模型的精度,因此提出基于支持向量机的组合模型预测的思路。给出组合模型的发展前景和优势,采取支持向量机模型分别和BP神经网络、RNN神经网络和随机森林等模型进行组合,得到三种组合模型,组合模型的关键在于权值的求法,因此采用不变权值中的算术平均法和变化权值中的杨廷方等人提出的最优权重法这两种权值求法,分别使用三种组合模型进行预测,并将其组合模型和支持向量机模型进行对比分析。经过多次模型实验,基于支持向量机和BP神经网络的组合模型,预测效果不但比单一模型预测效果好,而且比其他的组合模型的误差都小。支持向量机的优点是能够解决小样本、非线性和高维数的问题,并能够保证全局最优解,而神经网络会出现局部最值、过学习和维数灾难等问题,这也是两种模型能够很好融合的原因。釆用该组合方法,发挥了两种模型的最大优势,得出该组合模型比单一模型进行财政收入预测可以达到更好的精确度和可靠度。