时间序列预测任务是根据收集到的历史数据去预测数据未来的发展趋势,为人为判断和决策提供坚实的理论支持和殷实的数据支撑。从日常生活到科学研究再到工业生产应用,这些统计数据反映了所研究的目标系统随时间变化的状态和程度,来源较为广泛,具有重要的战略研究价值。回声状态网络作为一种简化的人工循环神经网络,训练中只调整输出层的连接权值,其结构简单、训练速度快,已经被广泛运用到时间序列分析的研究与应用领域。但是,目前回声状态网络用于时间序列预测也存在一些亟需解决的问题:如回声状态网络受其储备池中参数影响比较大,手工设计参数的难度大、耗时长、操作不便,如何找到更加适合特定任务的最优网络参数是一个需要重视的问题;内部储备池是回声状态网络的关键结构,其原始的神经元之间拓扑连接是随机产生的,只受限于稀疏度的控制,在较复杂的任务上表现往往不佳,影响网络整体的预测性能。为了解决上述相关问题,本文主要开展如下两个方面的研究:（1）针对回声状态网络的储备池参数设计,本文提出了一种基于自适应策略选择池的粒子群优化算法用于时间序列预测。用种群中的粒子对回声状态网络参数进行编码,并构建了自适应框架机制用于回声状态网络的参数优化。在训练过程中,对每个粒子采用策略自动选择机制,从候选策略池中选择策略进化到下一代,并不断根据策略池中策略的表现,不断更新策略被选择的概率。同时引入漏积分神经元代替传统储备池内部的模拟神经元,加入其泄漏率参数作为优化对象。在时间序列预测的实验结果显示,与传统回声状态网络和基于单策略的演化计算方法优化参数的回声状态网络相比,基于策略选择池的粒子群优化算法的回声状态网络能更好地适应目标任务,获得较高的预测精度。（2）针对回声状态网络储备池的内部拓扑连接,本文提出了一种基于粒子群算法编码的拓扑结构优化模型用于时间序列预测。针对储备池内部神经元的拓扑连接,将基于种群的优化方法引入到回声状态网络的拓扑结构优化中。利用种群中的粒子对储备池的拓扑结构进行编码,种群不断进化,然后经解码后生成储备池内部连接权值矩阵,最后进行回声状态网络的训练,以评估其适应度值。随着种群的不断进化,不断寻找和更新最适合当前任务的储备池拓扑结构,直到满足预设的停止条件。在Mackey-Glass基准时间序列和脑电信号数据上对所提出的模型进行评价。时间序列预测实验结果表明,与传统手工设计的拓扑结构相比,所提出的方案能够更好的适应复杂的数据应用场景,尤其在数据波动较大、运动趋势较为复杂的情况下,具有较高的预测精度和稳定性。