时间序列分析在天文学、生物学、工程学、金融学等众多领域有着广泛的应用。其中,股票、期货以及外汇等金融市场产生的大量时序数据是一类典型的金融时间序列,具有强非线性、大波动以及高噪声等显著特征。对金融时间序列的预测分析和研究金融市场波动特征、规避市场风险以及协助投资决策等具有重要意义,长期以来受到国内外研究者广泛关注。近年来,伴随人工智能的快速发展,利用智能模型对金融时间序列预测成为一个新兴的研究热点。本文从金融时间序列具有差异性波动特征的角度出发,基于自组织映射神经网络构建智能学习模型,实现对金融时间序列的预测应用,主要研究内容包括:（1）针对金融时间序列具有高噪声、大波动特性,将模糊技术引入深度学习模型,提出一种新型的双（多）层深度模糊自组织映射神经网络（DFSOM）,可结合多时间尺度学习时序数据的波动特征,从而实现不同波动类型的聚类分析。基于上述学习模型和聚类结果,进一步构建不同的预测器,完成金融时间序列不同波动类型的差异化预测。（2）针对金融时间序列在欧式空间中波动通常具有强非线性,将图注意力机制和常曲率黎曼流形引入自编码器模型,捕捉金融板块多维时序数据的整体波动信息,并将特征投影到流形空间。进而,构建一类新型的掩模自组织映射神经网络（Mask-SOM）,采用聚类过程由粗放到细致的递进式方式,对金融时间序列在流形空间上特征的聚类分析。进而,根据聚类结果,实现金融时间序列波动方向的预测分析。（3）基于上述提出的金融时间序列预测模型构建智能量化交易系统,应用于外汇、期货等金融市场,采用真实的金融时间序列验证模型的可行性和有效性。