混沌时间序列作为连接混沌理论与现实生活的桥梁受到了人们的广泛关注,因其内部隐藏着丰富动力学系统中的变化规律,对揭露挖掘类随机现象之中可能蕴含的确定性规律具有较高的理论与研究价值,同时由于其几乎涉及并渗透到了日常生活中的各个领域,在实际生产生活中也具有重要的应用价值,所以构建精度高并且可靠有效的混沌时间序列盲估计模型,成为推动混沌时间序列相关技术进一步发展和应用的关键问题,因此需要重点展开对混沌时间序列盲估计方法的深入研究。首先,研究了混沌时间序列的产生机理与判别机理,对相空间重构理论进行了概述,并针对混沌时间序列所具备的内随机性、初值敏感等特性进行了整理归纳,其中重点对混沌时间序列映射类型及其典型映射方程进行了分析研究,阐明了与混沌时间序列相关的基本原理及相关特性。其次,从一维混沌映射表达式展开深入分析,对其映射结构中的分形参数估计方法进行研究,提出了针对一维混沌映射的分形参数估计方法,通过交叉验证的判决机制搜索识别映射所属类别与估计参数值,以恢复构建与所输入序列映射方程一致的混沌映射表达式从而实现对未来序列的变化轨迹与序列值的精确估计,并通过仿真实验给出了方法的适用范围。再次,为解决分形参数估计方法可能会产生的不适用的局限问题,提出了针对一维混沌时间序列的高精度自适应盲估计方法,考虑混沌时间序列非平稳因素对精度的影响,通过序列检验与优化的预处理过程,并经参数自适应计算与模型定阶还原构建了混沌时间序列运动轨迹方程,以剖析离散混沌时间序列的变化规律,获得其内在隐藏的确定性规则,从而以高精度的估计性能解决混沌时间序列盲估计的问题,并通过实验对比分析验证了方法的优越性。进一步,为解决具有高维特征的混沌时间序列盲估计问题,提出了混沌时间序列的n维高性能多步盲估计方法,通过前端预处理与比较判决联合计算策略优化模型阶数实现对输入序列的分解与重组,并与神经网络有机融合构建了基于反馈递归机制的未来序列多步估计模型,经实验验证分析表明方法的具有较高的估计性能。最后,重点针对所提出的各个方法进行了实验验证与仿真分析,从方法有效性分析以及误差分析两方面进行多角度与多次实验,结果表明所提出的方法均能够以较高性能解决混沌时间序列的盲估计问题。