本文主要探讨混沌非线性系统辨识及预测的机理问题。非线性动力系统辨识过程中噪声的普遍存在掩盖了这些系统的动态特性，极大地影响了混沌非线性系统的辨识精度和混沌时间序列的预测精度。因此，在对混沌非线性系统进行辨识及预测前，首先需要对实际观测的混沌时间序列进行有效的噪声去除。本文采用一种非线性局部平均去噪方法，对混沌时间序列进行噪声去除。该方法能更好地校正相空间中点的位置，使其逼近真实的混沌吸引子轨迹，重构吸引子结构，计算简单可靠。数值仿真结果验证了此方法的有效性，为混沌非线性系统的辨识和混沌预测奠定了基础。在传统的辨识方法中，预测只能使用固定的数据确立固定的预测模型。为克服这一缺点，本文提出一种混沌时间序列的在线自适应预测方法。该方法基于一种具备“储备池”机制的新型递归神经网络：回声状态网络(ESN)。ESN可以有效地处理非线性系统辨识以及混沌时间序列的预测问题，其特有的储备池机制使得非线性系统的问题可以简单地用线性方法处理，预测算法较使用传统递归神经网络的预测方法更简单。本文基于Takens定理和混沌时间序列重构相空间理论，选取合适的嵌入维数，将时间序列嵌入到相空间中；通过选取具有储备池机制的回声状态网络ESN作为网络预测模型，建立一种直接预测方法，直接构建预测原点和预测时域之间的定量关系。在此基础上分别结合卡尔曼滤波算法和最小均方差算法进行线性部分的信号估计，其中卡尔曼滤波和最小均方差算法都是最优状态估计方法，用于在线更新预测模型的参数。将这种在线自适应预测方法应用于月太阳黑子数的预测问题中，仿真结果表明，该方法能有效应用于非线性混沌时间序列的在线辨识。