混沌时间序列预测是混沌理论的一个重要应用领域和研究热点。目前有关混沌时间序列的分析预测主要集中在对单变量混沌时间序列的研究中。事实上，复杂混沌系统往往表现为多变量时间序列相互影响的动态演化行为。简单的使用单变量混沌时间序列来进行预测，忽视了混沌系统中多个因素的关联，即使通过相空间重构，也不能完全包含实际混沌系统的全部信息。多变量的混沌时间序列包含了原动力系统更丰富更完整的系统信息，可以起到去除噪声，提高预测精度的作用。在大多数情况下，特别是系统含有噪声的时候，使用多变量时间序列来进行预测比使用单变量时间序列时更加理想。回声状态神经网络是一种新型的循环网络结构与循环网络学习方法，它的结构非常类似生物神经网络，它也具备良好的短期记忆能力。它使用一个大规模的循环网络作为信息的存储池，然后通过计算这个循环网络的状态空间对输出节点的线性回归权值，来最小化学习平方误差，从而达到学习的目的。回声状态神经网络具有计算简单，预测精度高等多个优点。　　 本文的创新主要有以下几点：　　 1）分析和建立了多变量混沌时间序列的预测模型。对多变量混沌时间的变量选择和多变量相空间重构，引入了多种解决方案，并对这些方法进行了比较分析。　　 2）结合回声状态神经网络，提出了两种多变量混沌时间序列预测分析模型。使用Lorenz混沌时间序列进行实例仿真，验证了两种模型的可行性和高效性。　　 3）提出了基于遗传进化回声状态神经网络的多变量混沌时间序列预测分析方法。针对多变量相空间重构中延迟时间和嵌入维的选择以及回声状态神经网络中动态储备池规模大小的确定的问题，本文引入遗传算法，提出了一种遗传进化的方法来寻找最优的延迟时间、嵌入维以及动态储备池规模。通过对Lorenz系统和Rossler系统的分析，证明了该方法的可行性。　　 4）使用基于遗传进化回声状态神经网络的多变量混沌时间序列预测分析方法，对上海股票数据进行建模预测分析，预测精度有较大的提高，进一步证明了该方法在多变量混沌时间序列的预测方面具有很好的应用前景。在上海股票数据的实例仿真中，还与其他人的预测进行了比较。通过比较分析，证明了本文算法的有效性和实用性。