随着科学技术的发展,预测在人们的生活中扮演了越来越重要的角色。传统的预测方法是根据实际的观测统计资料和各种先验的模型,用资料去拟合模型。然而,由于样本资料的收集误差和变量间的交互影响往往会造成资料的不确定性和模糊性,以及客观世界的复杂性和多变性,很多动态资料无法用精确的数值去表示,例如,天气热,高个子。所以,这些资料很难运用先验的模型去拟合进而进行预测。基于以上原因,引入了模糊理论来研究有关的统计模型。模糊预测方法与传统的预测方法最本质的不同之处在于：传统的预测方法中研究的对象为经典集合中的元素,而模糊预测方法研究的是模糊集中的元素。时间序列预测方法就是一种传统的预测方法,它是建立在了解预测目标的发展趋势和忽略其他影响的基础上的,要求预测的原始资料较为清晰。模糊时间序列预测方法与经典的时间序列预测的不同之处在于：模糊时间序列预测引入了隶属函数和模糊关系的概念,这在模糊时间序列的预测中扮演了非常重要的角色。本文在前人研究的基础上,首先对标准模糊支持向量机算法进行改进,分析了三种隶属函数的优缺点,对三种隶属函数进行加权,构造出一种新的隶属函数,构建了一种新的模糊支持向量机模型,并用新建立的模型对样本进行训练。其次,考虑模糊建模中模糊集区间间隔对预测精度的影响,重新划分了模糊集,改进了Song和Chissiom所提出的模糊时间序列预测模型。在划分样本论域子区间时,本文首先采用模糊C-均值聚类的方法,将聚类所得到的中心点作为样本论域子区间的中心点。其次,在划分样本论域时,采用排序后两相邻中心点的中点作为分割点,使得子区间的划分更为合理。再次,在模糊化原始样本求取模糊关系矩阵时,直接建立样本数据与模糊集合的对应关系,简化了运算。最后,在划分的样本论域中建立起了新的模糊支持向量机与模糊时间序列组合预测模型,并将其运用到污水处理过程中,得到较好的效果。本文方法为密集数据集的预测提供了一种新的思路。