混沌时间序列分析是挖掘复杂时间序列所蕴含信息的一种有效方法。相对随机序列而言，混沌时间序列具有一定的规律，从而可利用混沌特性提高复杂时间序列已知信息的利用率并建立短期的预报模型。本文系统地阐述了时间序列的混沌判别方法以及混沌时序的基本特性，并在实例分析中尝试对一直被认为随机的熔融指数序列进行混沌性分析。结果表明熔融指数序列是混沌序列而非随机游走序列，从而利用相空间重构技术来挖掘序列的内部信息，建立更加精确的预报模型。　　支持向量机方法是适用于小样本的机器学习理论，它的良好性能使其已成为机器学习领域的热点。对于混沌时间序列，本文采用支持向量机方法对时序进行分析和预测，建立了混沌—支持向量机(Chaos-SVM)、混沌—最小二乘支持向量机(Chaos-LSSVM)模型，并将所建立的预报模型应用到熔融指数序列的预测上。图形和数值结果都直观地反映出基于混沌时间序列分析的支持向量机模型的有效性和精确性。　　为得到更精确的预报模型，本文迸一步引入粒子群智能优化算法对所建立的模型进行参数寻优，以消除混沌模型中参数选择人为因素所导致的影响，建立了混沌优化模型(PSO-Chaos-LSSVM模型)。将优化前后的熔融指数预报结果进行详细的对比，研究结果表明了优化后的模型在多个性能指标上的优越性。