非线性时间序列广泛存在于工程问题及科学研究中，准确的预测结果可以为科学决策提供理论及实际支持。近年来，递归神经网络成为时间序列预测领域的主要研究方向之一，但是传统递归网络方法中，存在训练算法过于复杂、收敛速度慢、易于陷入局部最优以及难以确定网络结构等问题，严重限制了其在非线性时间序列预测领域的应用。作为新型的递归网络，回声状态网络只训练部分权值，克服了传统递归网络存在的固有问题，逐渐成为时间序列预测的主要工具之一，基于回声状态网络的非线性时间序列预测成为一个具有重要理论和应用价值的研究热点。针对基于回声状态网络时间序列预测的精度提升及适应性问题，根据不同的预测需求，本文从储备池参数选择以及回声状态网络模型结构的改善与扩展两个方面，开展基于回声状态网络的非线性时间序列预测方法的研究工作。储备池参数选择问题中，针对随机生成的储备池与具体问题无关，以及储备池参数难以确定等问题，本文引入遗传算法进行储备池的参数选择，并将传统遗传算法的变异操作进行改进，在此基础上提出基于储备池优化的回声状态网络预测模型，达到构建最优储备池的目的。在改善回声状态网络模型结构方面，针对不同的预测需求，考虑到回声状态网络处理多输出的能力，本文综合迭代预测与直接预测各自的优点，提出组合回声状态的模型结构，采用加权融合的方式对序列的未来趋势进行预测，实现对含噪声的非线性时间序列较为精确的多步预测。