时间序列预测在日常中十分常见,分析和研究预测对生产生活有着非常重要的作用。人工神经网络具有很强的非线性处理能力,为非线性时间序列问题的求解提供了新的途径,其中,B样条网络结构简单且学习速度快,具有良好的理论与实用价值。本文主要对B样条网络模型进行研究,首先提出了一种改进的人工蜂群算法（Modeified Artificial Bee Colony algorithm,MABC）,其次通过改进人工蜂群算法对B样条网络模型进行优化,最后将基于改进人工蜂群算法的B样条网络模型应用于上证综指日收盘价和杭州站日平均气压值进行实证分析。仿真结果表明,本文基于改进人工蜂群算法的B样条网络模型在不同应用场景下均具有良好的泛化性能。本文主要工作为:第一,针对人工蜂群算法易早熟收敛与陷入局部极值的问题,对人工蜂群算法进行两方面改进:（1）基于全局最优策略对局部搜索方式进行优化,避免提前收敛;（2）基于反向轮盘赌选择策略对跟随过程的选择概率进行优化,维持种群多样性。此外,对改进人工蜂群算法使用Matlab程序通过测试函数进行数值实验分析。第二,针对B样条网络预测效果不佳与易陷入局部极值的问题,对B样条网络模型进行两方面改进:（1）采用随机扰动搜索策略对B样条网络节点位置进行优化,通过不均匀放置节点替代均匀地增加节点;（2）基于改进人工蜂群算法对B样条网络权值系数进行优化,通过迭代寻优得到权值系数与节点向量的全局最优解。第三,为验证基于改进人工蜂群算法的B样条网络模型的效果,本文一方面进行了数值仿真分析,将节点固定均匀分布B样条网络模型、节点优化B样条网络模型以及基于改进人工蜂群算法的B样条网络模型进行对比分析;另一方面将三种B样条网络模型应用于金融领域的上证综指日收盘价和气象领域的杭州站日平均气压值的预测上。研究结果表明,改进人工蜂群算法更好地平衡了算法的探索和开发能力,并提高了算法计算精度和稳定性。将B样条网络模型的节点位置和权值系数一同作为独立决策变量,通过MABC算法进一步优化的B样条网络模型拥有更小的预测误差。该模型对金融领域股票指数和气象领域气压数据应用结果显示,基于MABC算法优化B样条网络预测模型具有更好的泛化性能,且在不同领域均具有良好的预测效果。