模糊时间序列模型是一种处理模糊以及不确定的问题的有效方式。至今,已有许多研究针对模糊时间序列模型的论域划分、模糊规则矩阵的建立、模型阶数、模型因素等多个方面,在多个领域得到广泛应用。本文主要研究模糊时间序列模型的两个方面。一方面,模糊时间序列模型阶数的选择在一定程度上影响着预测结果的准确性。本文建立时间序列自回归模型与模糊预测模型之间的联系,运用自相关理论选择模糊时间序列模型的阶数。从而,为了得到模型的最佳阶数,我们不需要将各阶模型预测的结果依次列出,比较预测结果,可以采用本文提出的更简洁的方法。为了验证本文提出的方法的有效性,采用具体实例验证其有效性。另一方面,针对模型因素方面,本文也将着手研究多因素一阶模糊时间序列模型,通过利用证据理论在信息融合方面的优势,将模型多个因素带来的信息进行融合并用于预测未来数据趋势。并且,对于证据理论的改进,本文通过巴氏系数计算证据之间的相似度,并将该相似度转化成证据的权重,对证据源进行修正,从而对证据理论提出一种新的改进方法。在此新方法上,将修改后的证据理论应用到多因素模糊时间序列模型的建立中,提出一种建立多因素模糊时间序列模型的方法,通过具体实例验证其有效性。