非线性时间序列预测是近年发展起来的一个备受关注的研究领域，无论在数学、物理学、生命科学、信息科学，还是在经济学、地球科学、天文学等领域均具有广泛的应用前景。对非线性时间序列的预测理论与方法的研究也已经取得了丰硕的成果，人们已经掌握了许多的预测方法。但对于复杂的应用环境中的时间序列，单一的预测方法在实际应用中预测的效果不够理想。因此，如何提高复杂环境下非线性时间序列预测模型的精度是目前有待解决的课题。本文的研究工作是辽宁省基金项目“面向复杂工业对象的预测方法研究”的一部分，主要针对非线性时间序列，研究如何建立组合预测模型，以提高其在复杂环境中的预测能力。BP神经网络具有大规模并行处理、分布式信息存储、容错性、自组织性和自适应性等特点，有很强的非线性逼近能力和分类识别能力，但其收敛速度慢且存在局部极小值问题。门限自回归模型能有效地描述具有极限点、极限环、跳跃性、相依性、谐波等复杂现象的非线性时序动态系统，它在实际应用过程中拟合精度较高，但预测效果不理想。因此本文提出了一种建立组合预测模型的方法，首先基于人工神经元网络和门限自回归技术分别建立单一的非线性时间序列预测模型，然后对两种模型取长补短，建立其组合预测模型。在这一过程中，重点研究了单一模型的组合方法，包括线性组合方法和非线性组合方法以及组合权值的确定。 本文对两个典型的非线性时间序列数据集进行了仿真实验，对各单一模型、线性组合模型和非线性组合模型的拟合及预测的结果进行了比较和分析，实验结果表明，组合模型较之单一模型具有较高的精度，其中非线性组合模型的准确度最高，说明所述的组合预测方法对于非线性时间序列是适合的，可以对其进行稳定的、准确的预测。