GM(1，1)模型是灰色系统理论的重要预测方法，它基于研究对象有限的数据挖掘出新信息，通过模型技术表达研究对象的内在变化趋势和基本规律。它适合于“小样本”、“贫信息”的不确定系统建模。而提高预测的准确性是GM(1，1)模型优化的目标。　　在灰色预测效应研究中，灰色生成技术从原始数据序列处理着手，通过削弱系统中的随机扰动项，达到优化预测效应的效果。灰色组合模型多采用灰色模型与其他模型相结合的方式，通过模型间的“串联”、“并联”、“嵌入”等组合方式，达到模型间的互补、扩大模型的适用范围。因此，从这两方面进行灰色预测效应的研究具有重要的意义。　　本文通过对灰色生成技术以及GM(1，1)模型等相关文献的查阅分析，对已有文献中基于缓冲算子、函数变换等数据变换处理方法进行研究，试图通过比较不同方法的应用情况，找出不同弱化缓冲算子的适用范围，以及找到一种适用性更广的函数变换方法，并对比运用相关灰色生成技术后GM(1，1)模型的能模拟精度变化情况。通过对灰色组合模型以及GM(1，1)模型等相关文献的查阅分析，发现“嵌入式”的灰色马尔科夫模型在状态隶属度划分方面存在主观性，可进行进一步改进。最终，运用灰色系统理论的建模系统对实例和研究成果进行分析与总结。由此，得到以下几点结论:　　(1)在函数cot x(0≤x≤π/2)变换方面，独创的4个数量等级的标准化方法能适应大多数高增长率和低增长率数据序列并提高了原始GM(1，1)的拟合精度。　　(2)在弱化缓冲算子适用性比较方面，选择了6种典型弱化缓冲算子，得到了在长数据序列、宽间距数据序列、短数据序列条件下，不同弱化缓冲算子的适用范围与预测效应。最终，该弱化缓冲算子比较体系呗其他相关实例数据验证，说明了结论的实用性。　　(3)在灰色马尔科夫预测中，GM(1，1)背景值优化有助于改善其模拟和预测精度，用三角白化函数中状态隶属度表示研究对象所属给定状态的程度有助于弥补状态划分不精准的不足。通过对河南省粮食产量的预测，结果显示本文提出的基于状态隶属度的灰色马尔科夫模型预测精度优于传统灰色马尔科夫模型和GM(1，1)模型的预测精度。另外，同样通过对河南粮食产量预测，基于GM(1，1)背景值优化和三角白化函数的灰色马尔科夫预测模型更优于基于状态隶属度的灰色马尔科夫模型的预测精度。