自上世纪80年代灰色系统理论创立以来,灰色系统理论历经几十年的发展,已逐步成为研究具备“小样本、贫信息”特征的不确定性系统的一种新方法,解决了生产生活中大量的实际问题,取得了丰硕的研究成果。灰色预测作为灰色系统理论的重要组成部分,因其对建模数据要求不高,同时具备相当广泛的应用空间与背景,所以被运用于诸多领域,譬如能源需求量预测、灾害与事故预测、经济与产业发展预测等等,为不确定性系统的蓬勃发展提供了有力的技术支持。但是随着灰色预测方法的持续深入发展,其应用领域和应用场景也在随之拓展,其面对的问题背景、数据时空和结构也在不断延伸,主要体现在数据的表征形式和作用机理日益复杂多样。传统的灰色预测模型已不再适用于当下复杂的建模环境,构建基于数据特征的灰色预测模型已成为当务之急。因此,本文在现有的对灰色预测方法的研究基础上,整理分析了传统灰色预测模型的局限性,并进行了相关研究,主要成果如下:一是构建了基于HP滤波分解的GM（1,1）模型。针对目前所研究客观系统中数据表征形式更加多样的实际情况,选取周期波动序列这一具有代表性的序列形式,将HP滤波分解引入此类序列的建模过程中,通过将序列拆解为趋势项和周期波动项,构建基于HP滤波分解的GM（1,1）模型,实现对周期波动序列的良好预测。该模型尽可能减少了因还原误差而导致的误差累积,同时对序列的内在演化规律进行了深入挖掘,进一步拓展GM（1,1）模型应用范围。二是构建了基于交互效应和时滞累积效应的灰色预测模型。考虑到当前所研究客观系统中数据的作用机理逐渐趋于复杂,尤其是在灰色多变量预测模型中,传统的同期独立作用关系已不能很好地解释系统的内在作用形式。因此本文构建了基于交互效应和时滞累积效应的灰色预测模型,通过将以上两种效应纳入模型的构建过程,使得改进后的模型更加贴合实际应用场景。该模型不但能对投入产出系统中产出的绝对量进行预测,同时也能分析各投入要素对产出的影响形式和影响效果,从而更好地揭示系统的运行规律,为更深层次的研究奠定基础。三是将构建的基于数据特征的灰色预测模型应用于我国战略性新兴产业相关要素的预测中。战略性新兴产业对于提升我国自主发展能力和国际竞争力,促进经济社会可持续发展,具有重要意义。但由于战略性新兴产业发展时间较短,能够表征其发展状态的主要时变参量数据较少且相对离乱,数据特征与结构较为多样,传统模型难以取得令人满意的预测效果,而本文构建的模型对此类建模环境具备良好的适应性,因此被应用于战略性新兴产业相关要素的预测中。本文运用两个新模型分别对我国风力发电量和科研机构科研产出量进行了预测分析,并提出了相应的政策建议,以期为我国战略性新兴产业的后续发展提供一些帮助和参考。