时间序列作为一类重要的复杂数据对象,通过对社会、经济、科学技术等领域中的时间序列做进一步分析与处理,便有可能揭示事物运动、变化和发展的内在规律,这无疑对社会经济和技术的发展有着极为重要的意义。金融市场被称为整个国家经济运行的核心,对金融时间序列数据进行有效地分析、预测和控制已经成为整个经济和金融活动的重要工作之一。由于金融时间序列具有非线性、不确定性和存在语言值现象等特征,金融时间序列分析与预测已经成为现代时间序列研究中最具有挑战的课题。到目前,模糊时间序列已成为一种行之有效的金融时间序列分析方法。然而,如何客观地划分论域区间和有效地构建模糊逻辑关系矩阵依然是影响模糊时间序列模型预测精度的两个没有得到有效解决的问题。因此,本文对上述问题进行了一些探讨。主要取得了以下几个方面的成果：1)为了更为有效地利用历史数据间隐含的变化趋势,进而更准确地描述模糊逻辑关系,提出了一种基于差分启发信息的模糊逻辑关系矩阵的构建方法。该方法利用数据间的不同阶次差分做为启发信息,从而构建了具有自适应能力的三种模糊逻辑关系矩阵。通过道琼斯、恒生和日经等典型证券指数以及美元/日元汇率比价预测的结果表明,该差分启发模糊时间序列模型给出了较好的预测结果。2)实现了基于K均值聚类技术的模糊时间序列模型的建模。该模型根据聚类得到每一类中数据所处的范围来确定语言值的区间长度,从而做到了较为客观的论域划分；此外,该方法利用K均值聚类算法得到的聚类中心作为模糊化值。通过对阿拉巴马州州立大学入学人数的预测,实验结果表明,该模型相比于现有的模糊时间序列模型可以进一步提高预测精度。