终极格斗锦标赛（UFC）是一项备受关注的全球顶级职业综合格斗赛事。UFC赛事的高速发展产生了巨大的商业利益,同时也对UFC俱乐部和赛事运营方决策水平提出了更高挑战,而有效预测比赛胜率正是绝佳的辅助决策手段。基于传统预测模型都难以拟合比赛中产生的非线性数据,因此本文以提高UFC赛事胜率预测准确度为目标,构建基于分组策略和空间特征融合的循环神经网络预测模型,并根据预测结果给出UFC赛事胜率预测迭代框架。主要研究内容如下:（1）本文通过数据挖掘和特征提取方法建立UFC赛事特征集群。通过UFCSTATS网站获得原始信息进行特征工程,分析变量相关性得到变量间关联权重,利用Doc2vec和独热编码（one-hot）技术挖掘离散数据的语义特征,更好地表征数据深层特征。此外本文利用XGBoost模型分析不同特征的重要性,筛选出十项特征进行加权,进一步提升模型的预测准确度。（2）本文提出一种新颖的分组策略。循环神经网络特点是当前特征可以结合之前特征信息来进行预测,但当两组特征距离较远时联系较弱,保留的信息较少,这样不仅会降低预测精度,而且会增加模型的计算复杂度。针对上述情况本文提出的分组策略能够增强关系较强特征之间的上下文信息。（3）本文提出一种空间特征融合策略。传统特征融合策略通常将特征序列直接拼接,造成无法挖掘特征信息之间的空间关系。本文提出空间特征融合策略,将特征图每一列特征进行跨空间维度融合,充分提取深层特征,能够有效提升预测模型精度。基于上述工作本文提出一种基于分组策略和空间特征融合的UFC赛事胜率模型,通过获取UFC时序数据的长距离上的上下文语义信息,有效预测UFC比赛的胜负。在此基础上本文为UFC赛事胜率预测任务设计迭代框架,以UFC大数据和预测模型为两中心点,UFC赛事运营方、俱乐部对UFC大数据进行完善积累与拓展,学者和科研人员不断完善和拓展预测算法,以此形成大数据与预测算法的良性发展。研究结果表明:（1）提出的分组策略和空间特征融合能够获得0.7476的总体预测准确率;（2）提出的分组策略赛事胜率预测算法能够将总体预测准确率由0.7174提高至0.7476;（3）提出的空间特征融合的预测算法能够将总体预测准确率由0.7282提高至0.7476。