混沌动力学与人工神经网络的结合是当前研究的热门领域之一,其中复合吸引子的构建与预测是一个新颖且具有挑战性的方向。一方面,与单一类型的吸引子相比,复合吸引子具有更高的复杂度和更为丰富的动力学行为,从而在加密领域具有广泛的应用前景。然而,产生复合吸引子的混沌系统（以下简称复合混沌系统）结构往往较为复杂,并且构建这种系统始终缺少一种简单且通用的方法。另一方面,近期许多工作均指出对于混沌系统产生的自激或隐藏吸引子,采用人工神经网络可对其相轨道进行一定时长的预测,但极少涉及到复合吸引子的预测任务并且预测效果均不理想。因此,分析与揭示混沌系统中的复合吸引子的内在动力学特性以及能否被顺利预测显得尤为重要。本文主要改进与建立一系列新型的混沌系统,分析其复杂的动力学特性,并基于人工神经网络对其产生的混沌时间序列进行预测,具体研究内容及成果如下:1)引入一种构造复合混沌系统的非自治方法,能被用于产生并控制三种不同类型的复合吸引子。为解决复合混沌系统存在的构建困难、类型单一等缺陷,提出了一种简单且通用的非自治方法—脉冲控制方法。基于已知的混沌系统方程,直接将脉冲控制方法施加在系统方程的参数上,从而使得该系统能产生不同类型的复合自激与隐藏吸引子。另外,通过调节脉冲控制方法的系数,复合吸引子的数量、形状以及大小都可以被控制,这极大地丰富了复合吸引子的形式并增强了吸引子的复杂性。同时,在FPGA平台上开展了具体的实验,揭示了该方法的实用性并扩大基于复合混沌系统的应用前景。2)构建一类新型简易复合混沌系统,具有共存无限多复合吸引子。构建出一类新型简易复合混沌系统,具有三个显著特点:（1）系统结构十分简易,方程中含有七项或者六项且仅含有一项非线性项,非常适合硬件实现;（2）系统能够产生各种类型的奇异吸引子;（3）系统存在不同类型的共存吸引子现象与无限数量的共存吸引子现象。利用相轨图、时间序列、分岔图、Lyapunov指数谱等基本分析方法来分析和描绘了该系统中复杂的动力学行为。同时,我们在FPGA平台上进行了验证来反应该系统在现实环境中的可行性。3)设计一种深度神经网络模型,能够对吸引子的相轨迹进行预测。设计一种新颖的递归网络模型——深度储蓄池计算模型（Deep-Reservoir Computing,Deep-RC）,并创新地采用贝叶斯优化方法对该模型的关键参数（谱半径SP）进行自动调优。该模型能从未知的混沌动力学系统产生的时间序列中学习到原始系统的混沌动力学特征,然后能自我产生新的时间序列从而对未来的混沌动力学进行预测。我们将该模型部署在在不同类型的混沌系统产生的时间序列的预测任务上,发现Deep-RC模型均能在多个Lyapunov时间下在保持较高的预测精度,这表明了模型具有较好的预测能力与泛化性能。