时间序列预测方法是科学、经济、工程等领域的研究重点之一。经典的时间序列预测方法在用于非线性系统预测时有一定的困难,而神经网络具有较好的非线性特性,为时间序列预测开辟了新的途径。但神经网络具有易陷入局部极小值以及全局搜索能力弱等缺点;而遗传算法具有较好的全局最优搜索能力,遗传神经网络将两者结合,既保留了遗传算法的全局寻优的特点,又兼有神经网络的非线性特性和收敛的快速性。Mackey-Glass(MG)混沌时间序列具有非线性特性,是时间序列预测问题中的基准问题之一,具有代表性。因此本文从理论和实验两方面,对遗传神经网络进行了深入的分析和研究,并利用该遗传神经网络模型对MG时间序列进行预测。主要成果如下:构造了新的变异算子。生成了三维矩阵表示的染色体,进行了联赛选择,利用算术交叉算子进行了交叉运算,利用构造的新的变异算子,进行了非均匀变异,同时保留了每次进化运算后最优的适应值,通过大量实验,实现了遗传算法优化BP网络的初始权值和阈值的目的。自定义了BP神经网络,将遗传算法优化好的初始权值和阈值作为BP网络的权值和阈值,采用学习率可变的动量BP算法对神经网络进行了训练,达到了误差目标要求,从而实现了BP算法修正网络权重的目的。利用训练好的遗传BP神经网络,对Mackey-Glass混沌时间序列进行了预测,达到了较好的预测效果。