目前对于预测问题的研究大多集中在如何提高点预测方法的准确率,然而由于变量和环境的不确定性,预测误差是始终存在并且很难消除的,在某些对于安全性要求十分高的领域,如电力系统的运行控制,预测误差的产生很可能对系统的安全稳定运行造成威胁。因此,鉴于点预测只能预测得到一个确定的值,区间预测,即对变量未来一段时间波动的区间进行预测,已经成为近年来学者的研究热点。区间预测可以对目标的不确定性进行量化,从而得到目标未来波动的范围、概率分布等信息,相对于点预测能为决策者提供更多的信息,从而实现系统的安全稳定控制。论文研究了基于计算智能的时间序列区间预测理论与方法,主要工作如下:首先,提出了一种通用的区间预测方法,即基于Knee point的多目标上下边界估计方法。该方法利用多目标优化算法对区间预测的神经网络进行参数优化,从而获得该问题的帕累托前沿,并根据Knee point思想,选择Knee point区域的点作为最终的神经网络参数,从而进行区间预测以获得决策者最满意的结果。针对该方法,本文首次从数学上证明了对于区间预测问题,其帕累托前沿一定存在Knee point,从而为该类算法奠定了重要的理论基础;并提出了参数迁移策略以明显提高算法的收敛速度、以及数据采样训练策略以提高算法运行速度和降低过拟合风险;并且提出了一种专门针对区间预测问题的多目标优化算法,即基于预测区间偏好的NSGA-II算法,可以有效得到区间覆盖率大于决策者偏好阈值的均匀分布的帕累托前沿。其次,针对复杂的、存在多模式特征的数据,提出了一种基于包络线聚类的Bootstrap概率预测方法。首先设计了一种基于包络线的聚类算法,依据由二阶包络线表征的波动性特征对数据进行聚类,从而得到具有不同统计特征的几类数据;基于提出的聚类技术,利用Bootstrap方法构建区间预测模型,有效降低了模型偏差,使预测得到的预测区间更加准确。最后,通过大量实验以及多个数据集对提出的算法进行了实验对比研究,验证了本文所提方法可以有效实现预测区间的构建,相对于已有方法具有明显优势。