多元时间序列广泛存在于生产生活的各个领域之中。时间序列采样值之间,序列与序列之间往往存在复杂多变的关联特性。合理利用这些数据特性,分析变量之间的相关性,有助于识别出与预测对象不相关的无关变量,以及对预测对象作用相似的冗余变量。进而对输入变量进行有效选择,降低模型规模和计算复杂度,最终达到提高模型预测性能的目的。本文从多元时间序列的数据特点出发,在相关性分析的基础之上对变量进行有效降维,为预测模型构建合适的输入。由于互信息不需预先假设数据的分布类型,且能够有效捕捉非线性相关关系,本文提出以互信息作为相关性分析方法的变量选择算法。针对现有单一评价函数中相关项与冗余项不平衡的问题,提出一种基于互信息的分步式变量选择算法,通过两个步骤分别实现相关变量的选择和弱相关变量的剔除。同时将其应用于RBF网络隐含层节点的选择之中,实现网络输入层与隐含层的结构优化。封装式算法由于需要反复训练模型,往往计算复杂度较高,本文将互信息与具有快速训练机制的极端学习机模型相结合,提出一种封装式的变量选择算法,在网络的训练过程中,同时确定输入层与隐含层的规模。互信息估计的准确程度对于变量选择至关重要,而联合概率密度函数的估计一直是互信息估计中的难点。为解决该问题,将互信息估计转化为Copula熵的估计问题,分别提出基于不同Copula函数类型的参数方法和基于截断k近邻的非参数方法,并将非参数估计方法用于大连气象序列的变量选择之中。针对以矩阵形式出现的一类多元时间序列数据的分类问题,采用互信息提取序列的特征,在类可分离性的基础上提出变量可分离性的概念用以衡量各变量之间的区分程度。在UCI脑电信号数据集上的应用表明,所提算法能够选出对分类最为有利的变量,从而提高分类正确率。