近年来，非线性时间序列正处在突飞猛进的发展时刻。其中，单变量或多变量非线性时间序列均是从复杂动力系统中获得的。在实际问题中，一个复杂系统往往采用多个状态变量进行描述，因此多变量非线性时间序列有重大的研究意义。目前，国内外学者主要是针对多元混沌时间序列进行分析研究。相空间重构是对其进行分析预测的基础，而相空间重构的核心部分是参数延迟时间间隔和嵌入维数的确定。尽管许多学者已经提出了多种参数确定的方法，但还是有一定的局限性。大多是先用统计理论方法对变量间的依赖关系进行分析，去除冗余变量，用余下的混沌时间序列作为重构变量；然后分别确定两类参数--延迟时间间隔和嵌入维数，忽略了它们之间的相关性；最后用获取的参数进行相空间重构，并对序列进行建模预测。这样选取的参数同样忽略了与预测模型之间的相关性，所以可能导致预测结果不理想。虽然随后又有不少学者提出了同时确定参数延迟时间间隔和嵌入维数的方法，但同样地，并没有结合预测模型进行参数优化选择。针对以上问题，本文提出了基于二进制粒子群算法-径向基函数神经网络的多变量非线性时间序列分析方法。此方法的核心部分为利用二进制粒子群算法与径向基函数神经网络预测方法相结合确定相空间重构参数，进而利用最优参数进行相空间重构，并对序列进行建模预测。采用此方法分别对几个典型的多元混沌时间序列进行仿真模拟，且在同等条件下与传统参数确定方法进行预测效果比较。结果表明，本文方法具有较好的预测精度，并从直观上反映此方法的可行性与实用性。