太阳能发电功率是一个天气、季节、大气情况、云层厚度等等多种因素影响而发生演化的多维非线性动力系统，功率时间序列是一类混沌时间序列。在各种因素相互的作用下，功率表现出极其复杂而难以精确预测的演化特征。随着非线性理论的发展，特别是混沌理论的发展，无须专门分别考虑各种影响因素就能对短期功率做出满意的预测成为可能。 混沌时间序列是一门新兴的学科，对其进行预测是一项热门的研究课题：神经网络是一种智能化的技术，具有很强的处理非线性问题的能力，将二者结合必然会产生新的问题。本课题针对太阳能发电功率预测将二者结合，研究了基于混沌时间序列和神经网络的太阳能发电功率短期预测。 首先，介绍了混沌时间序列预测的基础：相空间的重构理论，即把具有混沌特性的时间序列重建为一种低阶非线性动力学系统。通过相空间重构，可以找出隐藏在混沌吸引子中的演化规律，使现有的数据纳入某种可描述的框架之下，从而为时间序列的研究提供了一种崭新的方法和思路。在重构相空间时，合适的延迟时间和嵌入维数的选取至关重要。本文介绍了计算延迟时间和嵌入维数常用的几种方法，并且选取合适的方法计算计算延迟时间和嵌入维数。 然后，探讨了BP神经网络的模型与结构、BP算法学习规则，构建了基于BP神经网络的混沌时间序列预测模型，研究了神经网络的规模、推广能力等问题。并利用建立的BP神经网络模型，对两个具体的混沌时间序列进行了预测，得到比较非常理想的结果，说明本文所建立的基于BP神经网络的时间序列预测模型具有很好的预测能力。 最后，针对广泛应用的空间欧氏距离衡量相似性的不足，本文在总结归纳前人研究的基础上提出了联合空间欧氏距离和复相关系数来选取样本空间的一个方法，在神经网络训练样本的选择时采用了该方法，并实例计算表明其能有效提高预测的精度。