时间序列模型经历了从线性模型到非线性模型的发展。非线性时间序列模型又分为参数模型和非参数模型。人工智能发展起来以后，神经网络、支持向量回归在时间序列建模中，发挥着越来越重要的作用。本文借鉴神经网络和支持向量回归应用到时间序列预测的思想，将基于统计学习(Statistical Learning记为：SL)理论的正则化最小二乘回归(Regularized Least-Squares Regression记为：RLSR)应用到时间序列建模和预测中。利用RLS方法，对平稳序列和非平稳序列进行了随机模拟，并得到较好结果。之后，将RLS方法分别应用到太阳黑子、石油价格和英镑／美元的汇率的时间序列预测中，取得了比文献中已有研究更好的结果。RLS方法充分利用了统计学习理论中再生核希尔伯特空间(Reproducing Kernel Hilbert Space记为：RKHS)的性质。在算法的求解过程中，最终转化为一个简单的线性方程。相对于文献中已有的模型，RLS方法的求解过程相对简单。文章的贡献：●尝试将基于统计学习理论的RLS方法应用于时间序列建模和预测中。●通过随机模拟，用RLS方法对平稳序列、非平稳序列(含趋势项、周期项)进行了模拟，为RLS方法在时间序列分析中的应用提供了一定的支撑。●尝试利用RLS和WRLS方法对太阳黑子数、原油价格和英镑／美元的汇率进行了预测，并取得了相对较好的预测效果。文章的主体结构安排：第一章：对时间序列模型的发展历程进行了简单回顾，介绍了时间序列模型预测效果评价和准确性度量的常用指标。第二章：在统计学习理论的基础上，介绍了正则化最小二乘回归(RLSR)的基本框架。并阐述了如何将模型应用到时间序列建模和预测中。第三章：通过随机模拟，模拟了RLS方法对平稳序列和非平稳序列(含趋势项、周期项)的预测。并在模拟的过程中，详细阐述了采用二维搜索和Holdout的方法选取参数的过程。第四章：尝试利用RLS和WRLS方法，对太阳黑子个数进行了预测。预测效果与文献中已有的研究成果相当。同时，RLSR的算法求解相对简单。第五章：尝试将RLS和WRLS方法应用于石油价格预测中，从RMSE指标来看，RLS方法的预测效果优于文献中已有的研究成果。第六章：尝试将RLS和WRLS方法应用于英镑／美元汇率预测中，大部分情况下，RLS方法的预测效果优于文献已有的研究成果。第七章：总结了文章的研究成果，与此同时提出了有待研究的问题。