对于非线性时间序列模型的研究,模型参数的估计是一个重点,一般运用最大似然法或条件最小二乘法,但这两种方法均在数据服从高斯分布时才具有最佳的估计效果。而支持向量回归（SVR）是一种强有力的回归估计方法,且不需事先确定数据分布。因此,本文提出运用SVR来估计非线性时间序列模型的参数,进一步提高模型的预测性能。对于非线性时间序列模型的研究,一般从两个角度进行拓展,一个为方差序列非线性,代表模型为广义自回归条件异方差（GARCH）模型,基于前人的研究与多核学习近年的发展,本文运用基于核对齐（KA）和最小冗余最大相关性（MRMR）算法的多核支持向量回归（MRMRKA-SVR）算法估计GARCH模型的参数。首先利用MRMRKA算法选择一组优质的基本核,然后运用多核学习建立多核函数,接着将此多核函数作为SVR的内核建立MRMRKA-SVR模型,最后将此模型用于GARCH的参数估计。在中国联通、工商银行两个股价数据上进行实证分析,并与基于混合高斯核的SVR估计的GARCH模型相比较,结果表明,MRMRKA-SVR-GARCH模型的预测精度随基本核数m的变化而略有波动,但MRMRKA-SVR-GARCH模型的预测误差相较于混合高斯核SVR-GARCH模型均下降了1.42%—16.2%。因此,运用MAMAKA-SVR估计GARCH模型的参数能进一步提高模型的预测性能,且MRMRKA-SVR-GARCH模型在分析波动率的走势及预测上可提供一定程度的参考。另一个为均值序列非线性,运用最多的为自激发门限自回归（SETAR）模型。本文首次提出运用SVR代替最大似然和条件最小二乘来估计SETAR模型的参数。在中国联通和工商银行两个股价数据上进行实证分析,结果显示,在中国联通数据上,高斯核SVR-SETAR模型的预测误差相较于ML-SETAR模型和CSS-SETAR模型均下降了8%,而在工商银行数据上,高斯核SVR-SETAR模型的预测误差相较于ML-SETAR模型和CSS-SETAR模型分别下降了26.32%和20%,证明SVR能用于估计SETAT模型参数,且SVR-SETAR模型具有更高的预测能力。