近年来，随着国家加大对公路基础设施的投入，建设了越来越多的高速公路隧道，隧道内也建立起完善的监控系统。隧道监控系统采集到的隧道内环境数据，由于未受到足够的重视而被大量闲置。本文尝试从单变量时间序列预测和多变量时间序列两个方面对隧道内环境数据进行研究，对隧道内污染物的变化趋势进行预测。首先介绍了时间序列预测的概念和基本的递归神经网络时间序列预测模型，重点研究回声状态网络。根据隧道时间序列数据的特点提出了一种基于Boosting算法的回声状态网络预测模型，并对隧道内的烟雾浓度和一氧化碳浓度进行了预测。结果表明，本文提出的算法具有较好的正确性和稳定性。其次，针对单变量时间序列预测不能有效利用其它的隧道数据。改进了一种基于隐马尔可夫模型回归的多变量时间序列预测模型。通过对隧道内烟雾浓度数据和一氧化碳浓度数据进行实验。实验结果表明，本文所提算法具有可行性和正确性。最后，研究了不同分布样本的偏差校正技术。经过对核均值匹配算法的研究，并提出了一种改进的核均值匹配算法。并和核均值匹配算法在基本的回归数据和隧道迁移数据的样本匹配上进行比较。实验结果表明本文算法比核均值匹配算法有更好的匹配效果。