一元时间序列分析与预测在现代信号处理和经济学中占有重要的地位。它最核心的问题是对序列的内在联系建立动态的模型，进而利用这种模型进行预测。主要包括两个方面的内容：预测器的构建和预测器算法的研究。因此，在本文中，我们的工作集中在：对现有预测器的进一步发展，以及对预测器算法的改进。 ● 本文首先提出了通用的基于连续可导函数的免疫混合算法，并证明了其收敛性，由此我们得到了自回归滑动均值模型系数的精确估计方法。对于算法，我们分别以优化测试问题和实际的时间序列信号对其性能进行了仿真比较，取得了良好的性能。 ● 对于一般的季节时间序列，我们基于季节自回归求和均值模型，引入了横向和纵向趋势的概念，提出了一类新的季节时间序列模型，大大简化了建模的过程，对一类时间序列的预测问题，模型性能表现良好。 ● 对于一般的非线性时间序列(非季节时间序列)，我们在现有的管道神经网络基础上，把BFGS算法引入到该网络的学习中，提出了基于BFGS的管道神经网络学习算法。与已有的实时循环学习算法相比，极大的提高了网络学习训练的速度，并且提高了预测的精度。本文给出了详细的仿真对比试验结果，并给出了一些经验性规律。