在非线性信号处理领域,混沌与神经网络相结合是一个新兴的课题。混沌是非线性动态系统所特有的一种运动形式,它既普遍存在又极具复杂性。而神经网络具有联想记忆等非线性特性,特别适用于处理高度非线性系统复杂问题,所以基于神经网络的预测技术是解决混沌时间序列预测问题的有效方法,同时又为预测理论的研究开辟了新的、广阔的发展空间。近年来,随着神经网络理论的不断发展,基于神经网络的预测方法也在不断提出。本文以神经网络和相空间重构相关理论为基础,用神经网络方法去处理混沌时间序列预测问题,并重点对自适应神经模糊推理系统、BP神经网络和RBF神经网络进行算法集成对比研究。人工神经网络作为一种较新的信息处理学科,具有许多的优点,在本质上它是大规模并行处理的自适应非线性系统,具有很强的自学能力和非线性逼近能力,善于联想、概括、类比和推广。而自适应神经模糊推理系统是一种颇具特色的神经网络,和神经网络一样,同样具有以任意精度逼近任何线性或非线性函数的功能,并且收敛速度快、误差小、所需训练样本少等优点,它是神经网络与模糊推理相结合的产物,由于它在算法上的取长补短,相比传统方法,将会显示出比单一神经网络更好的预测效果。本文主要研究成果包括如下几个方面：(1)研究了BP神经网络及其五种改进型算法和RBF神经网络及其算法；另外,基于模糊推理和神经网络理论,将二者相结合形成模糊神经网络,重点研究了自适应神经模糊推理系统。(2)为验证算法的有效性,使用了Mackey-Glass时间序列、Lorenz时间序列等五种混沌时间序列,构建了基于BP神经网络、RBF神经网络和自适应神经模糊推理系统的混沌时间序列预测模型,并利用建立的BP神经网络模型、RBF神经网络模型和自适应神经模糊推理系统模型,对五种具体混沌时间序列进行了预测仿真实验,对各种算法进行集成对比研究,预测效果比较理想,结果表明本文所建立的基于神经网络的时间序列预测模型具有很好的预测能力,另外通过对各种算法的对比研究和分析可知,自适应神经模糊推理系统在混沌时间序列预测的效果上要优于其它单一的神经网络。