为了促进经济快速发展和社会不断的进步，在现有的统计数据资料基础上为各种商业和科研等活动做出决策分析，研究并认识事物内在的变化规律，对事物的未来发展进行预测已经成为机器学习领域新的研究热点。随着预测对象越来越复杂，精度要求的越来越高，单一的预模型始终存在着一定的盲区，已经不能满足人们的需要，于是自然想到对两种或多种预测模型进行结合，在预测过程中弥补其各自的缺点，实现优势互补，达到更高的预测精度。　　 本论文首先详细介绍了灰色理论和支持向量机各自理论的研究现状和建模机理，然后针对灰色预测模型与支持向量机模型两者的联系与各自的优势，给出了以下两种融合的可能性和方式，并验证了融合后的预测模型具有更高的预测精度：　　 第一，将灰色模型与支持向量机模型通过最优权组合。其核心思想是：首先利用GM(1，1)模型和支持向量机模型分别对数据进行预测，这样得到两组预测值，然后均方差最小的前提下，寻找最优组合权值将两组预测值组合起来，将组合得到的预测值作为最终的预测值，从而达到提高预测精度的目的。　　 第二，给出了基于灰色关联度分析方法的两种支持向量机预测模型(称为灰色支持向量机)。其一是将灰色关联度方法直接利用到支持向量机模型中去，从众多的影响因子中筛选出主要因子，再将主要因子作为支持向量机的输入进行预测；其二是将筛选出来的主要因子利用灰色理论方法进行一次累加，再将累加生成数列作为输入建立灰色支持向量机预测模型。　　 论文中将组合预测模型运用于两个实际问题中，通过实验中三种预测模型的预测值对比，验证了组合模型的有效性和准确性，具有良好的鲁棒性。将灰色支持向量机应用于某城市环境污染问题中进行模拟仿真，实验结果表明新模型对预测精度有极大的改善，有效的降低预测成本和空间与时间复杂度，要优于单一的支持向量机预测模型。