在自动控制、通讯、航空与航天等科学领域中，常常会遇到参数估计的问题。目前对时间序列模型中的ARMA模型参数估计常用的方法有矩估计法、最小二乘估计法、最小方差估计法、极大似然估计法、最大熵估计法等。近年来，研究者开始应用人工智能技术来解决这个问题，神经网络方法和遗传算法逐渐成为研究热点。但是将其应用到时间序列模型的参数估计中存在着很大的缺陷，主要表现在局部寻优能力差、收敛速度慢精度不高、拟合模型不显著等方面。而最小二乘法一直是人们青睐的方法，但在迭代过程中容易变成奇异矩阵。从而使算法失效，无法最终获得参数估计值。此外，即使在迭代计算中矩阵都是非奇异的，也保证不了算法是下降的，特别是初始点远离极小点时，算法可能发散。　　文中首先给出了基于信赖域算法的TR-BFGS-GN法，新算法精度高，计算速度快，且具有全局收敛性，避免了上述弊端。之后，文中又给出了ARMA模型参数估计的HY-ND-TR算法，主要是基于时间序列最普遍的模型（ARMA模型），对其中的参数进行估计，即估计自回归系数和移动平均系数。此算法克服了求Hesse矩阵困难的弊端，用差分代替导数求目标函数的梯度和Hesse矩阵。同时考虑到矩阵的奇异性及非线性程度的大小，避免了矩阵不满秩或残量较大和非线性程度较高的非线性最小二乘问题。最后利用优化混合算法的优点，结合ARIMA模型对居民消费(1978-2005)进行建模分析，并对2006年、2007年居民消费进行预测，结果与实际吻合很好。