多元时间序列广泛存在于水文、气象、交通、医疗等各种领域,对这些时间序列进行分析与预测,在指导人类社会的生活、生产等方面具有重要作用。很多复杂系统产生的时间序列具有时变特性,并且数据规模日益增加,因此亟待研究出合适的时间序列在线预测方法。本文以基于核自适应滤波器的多元时间序列在线预测为题进行研究,针对具有时变特性和较大数据量的多元时间序列,设计合适的在线预测方法,提高预测效率和精度,增强在线预测能力。首先,针对核自适应滤波器的代表性方法——核递归最小二乘方法计算复杂度随样本量的增加而增加,以及对环境噪声较为敏感的问题,提出自适应归一化稀疏核递归最小二乘方法。在样本字典的选择过程中,采用近似线性相关性和一致性准则判断新样本的取舍,只保留对在线预测贡献较大的样本,通过这种稀疏化思想缩减核矩阵规模,提高预测效率。并在更新过程中加入归一化思想实现系数自适应动态调整,增强方法的抗噪能力。其次,在利用稀疏化思想改进核递归最小二乘方法时,通常将判断为冗余的输入直接丢弃,可能导致某些有用信息丢失,对此,本文提出自适应归一化稀疏量化核递归最小二乘方法。在对样本字典进行稀疏化处理时,加入在线矢量量化的思想,将可能被稀疏准则误判为冗余的信息用于系数更新,而非进行简单的丢弃处理。并延续前面的自适应动态调整思想,提高预测精度和效率。最后,针对核递归最小二乘方法跟踪时间序列时变特性的能力不理想的问题,提出基于滑动时间窗口的稀疏核递归最小二乘方法,在稀疏核递归最小二乘方法中加入滑动窗口,限制核矩阵维数增长的同时考虑时变因素,对样本字典中的成员进行适当删除,增强方法跟踪时间序列时变特性的能力。此外,考虑到神经网络具有良好的非线性拟合能力,可以与核自适应滤波器的全局最优等优势互补,将极限学习机和核递归最小二乘方法联系到一起,并借鉴基于滑动时间窗口的稀疏核递归最小二乘方法的思想,提出基于滑动窗口的稀疏核在线极限学习机方法,增强在线预测能力。本文利用厄尔尼诺—南方涛动相关指数时间序列、Lorenz时间序列、太阳黑子-黄河年径流时间序列以及大连市气象数据等进行仿真实验,验证了上述所提方法的有效性。