时间序列广泛存在于实际的复杂动态系统中,对其进行分析与建模来挖掘复杂系统动态行为变化的同时,开展前瞻性预测并提供辅助性决策具有重要的意义。然而,随着大数据时代的发展,并且实际系统往往处于复杂的噪声环境中,给设计适合于动态系统的在线学习方法带来了一定的困难。因此,本文以基于鲁棒核自适应滤波器的时间序列在线预测为课题,设计鲁棒的在线预测模型并提高更新过程中对噪声的抑制能力,降低算法的时间和空间复杂度,进一步凸显在线预测方法更新效率快和可扩展性高的特点。本文主要对基于鲁棒核自适应滤波器的时间序列在线预测方法开展研究,从误差准则方面提高算法的鲁棒性能并同时从稀疏化角度改进算法的计算效率,具体的创新工作包括如下的两个内容:本文将在线矢量量化方法与广义最大互相关熵准则结合,提出量化广义最大互相关熵准则（Quantized generalized maximum correntropy criterion,QGMCC）,不仅增加了两个变量之间相似性度量的灵活性和通用性,而且提高了预测算法的计算效率和速度。然后将QGMCC应用于核递归最小二乘（Kernel recursive least squares,KRLS）算法,提出量化核递归最大广义互相关熵（Quantized kernel recursive generalized maximum correntropy,QKRGMC）算法,有效地降低计算复杂度并能够更好地描述时间序列的时变特性。最终在Lorenz时间序列和ENSO数据集的仿真实验中,获得满意的预测结果,体现了模型的有效性。本文同时考虑通过使用随机傅里叶特征（Random Fourier features,RFF）方法和最大混合互相关熵准则（Maximum mixed correntropy criterion,MMCC）来改善核方法的预测效率差的问题。具体来说,本文首先将RFF与MMCC相结合,然后在KRLS中引入这一新标准,称为随机傅里叶特征核递归最大混合体熵（Random Fourier feature kernel recursive maximum mixture correntropy,RFF-RMMC）算法。RFF能够显著降低算法的计算复杂度,而MMCC可以提高算法的鲁棒性,从而提高预测精度与效率。最后,基于Mackey-Glass时间序列和北京空气质量指数的仿真结果表明,改进模型在保证预测精度的前提下,改善了预测模型的效率。