分析观测时间序列的演变规律是掌握系统动力学特性的重要手段。复杂的混沌系统往往表现为多变量时间序列相互影响的动态演化行为，因此基于多变量混沌时间序列的预测研究得到越来越多的关注。但是在序列中增加不必要的冗余变量，可能导致预测模型的结构过于复杂，影响模型学习算法的效率和精度。针对上述问题，本文在过滤式(Filter)和封装式(Wrapper)变量选择方法基础上，提出基于输入变量选择的多变量混沌时间序列预测方法，为预测模型选择合理的输入变量。在过滤式变量选择方法的框架下，采用典型相关分析方法研究变量之间的相关性，并借助径向基函数神经网络与核函数理论，提出一种改进的非线性典型相关分析方法，用少数几个综合变量反映原始多变量输入的大部分信息，从而达到降低输入变量维数的目的。为克服过滤式变量选择方法缺乏合理评判标准的问题，提出基于神经网络灵敏度分析的封装式变量选择方法，将预测精度作为变量选择效果好坏的评价准则，为每个输入节点定义一个灵敏度函数，考察输入变量的变化对预测输出的影响程度，选择灵敏度较大的节点作为预测模型的输入。考虑到混沌时间序列系统分量之间虽然没有明显的相关性，但在相空间邻域可能产生同步的特性，提出基于混沌序列相空间同步的非线性相关分析方法，探讨变量在其相空间邻域轨迹上的相互依赖性，并在此基础上构建多变量局域预测模型，以更好体现多变量混沌序列运动的演化。为验证本文所提方法的有效性，分别将其应用于数值模拟产生的多变量混沌时间序列和实际气象领域观测获得的多变量混沌时间序列进行仿真分析，结果表明本文所提方法可以有效减少输入变量的维数，提高预测精度，揭示复杂系统的动态特性。