预测问题作为决策的重要环节一直以来都受到人们的关注并持续研究。目前大多数研究都着眼于对点的预测，即给出精确值作为预测结果，模型与数据的不确定性使得点预测的误差难以避免甚至有时产生的误差会很明显，因此本文考虑模型与数据的不确定性，开展不确定性预测研究，为预测结果建立预测区间，使预测结果更具参考价值。人工神经网络因其非线性拟合能力和良好的泛化能力，被成功地应用于多个领域的预测问题。小脑模型神经网络是一种拟合能力极强的模型，但是其基于梯度下降的训练方法无法满足不确定性预测对速度的要求。极限学习机因其速度快和泛化能力强被广泛应用，但是由于极限学习机追求速度而损失了精度。本文结合小脑模型神经网络和极限学习机，开展不确定性预测研究，主要研究内容如下：(1)提出了一种适用于不确定性预测且精度更高的预测器…基于极限学习机的小脑模型神经网络，并结合Bootstrapping技术来实现预测区间的建立。(2)为了进一步提高预测精度，在数据预处理部分采用小波分解技术对原始数据按不同频率进行分解，再分组预测，各组预测结果整合后即为最终预测结果。(3)为了验证小脑模型极限学习机的性能，本文将以上的组合方法应用于屯力负荷预测和股市预测这两种分别来自工业领域和金融领域的预测问题中，其中电力负荷数据来自宁德市供电局的历史负荷数据，股市数据来自台湾证券交易所的三家企业的股市数据。实验结果表现出所提出的基于极限学习机的小脑模型神经网络优于对照组的预测精度，所建立的预测区间在可靠度和锐度这两个评估指标上均有更好的表现。结果表明，所提出的基于极限学习机的小脑模型神经网络在预测问题中表现出优良的性能，并且具有实际应用的潜力。