实际的混沌系统通常包含多种不确定性，人们往往很难利用传统方法得到系统的真实模型，影响了混沌系统的进一步研究。同时，混沌系统产生的数据在测量、传输过程中可能含有噪声，并且不同研究背景的数据序列受到噪声的影响程度不同，从而掩盖了混沌信号的内在规律，破坏了混沌吸引子的几何结构，使得传统的基于混沌特性的建模方法不再适用或所得结果精度较差，因此，如何有效的利用混沌时间序列构建模型是一个亟需解决的问题。本研究以Mackev-Glass时间序列与年太阳黑子数为研究对象，利用小波分析的时频局域特性及神经网络的全局逼近能力，对混沌时间序列进行建模分析。本文采用将小波分析与神经网络进行结构融合的小波网络对混沌时间序列进行建模。在该网络构建过程中提出一种将OR分解和正交最小二乘算法相结合的算法，对隐层节点进行选择，充分利用了OR分解的降维特性；在此基础上，为了避免非最优节点的相互比较，采用分块处理的策略，节省小波网络的计算。对小波网络中可能存在的维数灾难问题，引入1-范数支持向量机进行节点的选择，尝试将统计学习的结构风险最小化理论引入小波网络，进一步提高网络的泛化能力。在1-范数支持向量机的优化过程中，采用基于梯度下降的Newton-Arnlijo算法，使得计算复杂度仅依赖于学习样本数和特征数二者中较小的一方，从一定程度上解决维数灾难问题；采用1-范数的正则项形式，使得支持向量机得到更稀疏的解更适合用来进行特征的选择。针对前馈神经网络难以处理含噪时间序列的建模问题，本研究将小波分析中的多分辨率分析引入前馈神经网络，提出一种多分辨率学习算法。该算法对误差信号进行分解，在多个尺度上对目标函数进行逼近，期望有效地抑制噪声对系统的影响，并采用非支配遗传算法进行多目标优化，实现小波分析与神经网络在算法上的融合。