基于已有的核函数在线建模理论,本文较为系统地研究了改进此类在线预测模型的方法,用以解决非线性非平稳系统在线预测所面临的问题。在允许的计算复杂度和其它计算条件下,传统的模型参数优化方法不能充分地跟随系统的变化特性,非线性非平稳系统的在线自适应建模面临诸多挑战。本文采用了一种被广泛研究和应用的具有一般性近似能力的自适应线性参数模型,此模型借助于线性建模算法并具备稳定性、固有收敛条件等一般特性。基于核函数的在线递归最小二乘算法和基于结构可变径向基函数的在线优化算法被重点研究,以提升稀疏化模型的在线预测能力。基于核函数的在线递归最小二乘算法,即一种在线核函数自适应滤波器算法,主要包括在线映射过程和在线权值更新过程,其中在线映射着重解决映射空间的核函数字典稀疏化和计算复杂度等问题,在线权值更新对于时变系统的非线性非平稳性特性进行跟随和调整。本文设计了一种新的不同核函数稀疏化方法间相结合的算法结构,并引入遗忘因子,以使提出的算法提供一种清晰的、便于已有相关算法进行改进的可兼容结构,并进一步提升此类算法动态跟随非线性非平稳性特性的能力。基于结构可变的径向基函数(RBF)的在线优化算法,主要包括核函数中心向量和协方差矩阵的优化过程、以及权值向量的更新过程。本文采用CMA-ES进化策略间歇地优化核函数协方差矩阵,从而考虑了不同输入变量间的相关性关系优化,提升了在线模型的柔性并进一步增强了模型参数的优化能力;基于已有的结构可变的径向基神经网络算法的优化策略,本文设计了一种更具一般化的模型参数优化策略,其增强了捕捉非平稳动态特性和模型不稳定性的能力,进一步提高了模型的柔性化和推广能力。基于这种更具一般性的模型参数优化策略,将其推广至非线性非平稳系统的核函数在线建模方法中,提升了已有此类在线建模方法的适用性,从而有利于解决非平稳性的在线预测问题。具有非平稳性的Lorenz时间序列在线预测实验证明了提出的改进算法的有效性,并对算法的特性和应用进行了研究讨论。