对不同湿度条件下消光系数序列演变特性的正确认知是构建大气颗粒物湿度订正模型的前提和基础。利用成都市人民南路4段环境监测站所提供的2013年6月到2014年5月逐时（降雨天除外）细颗粒物（PM2.5）浓度监测数据以及相应的地面能见度、相对湿度观测数据，反演得该区域相应时段单位质量消光系数时间序列。简要论述了消光系数吸湿过程中的复杂演变性及已有湿度订正模型的非普适性；基于相空间重构理论确定该时间序列的最佳延迟时间f和最佳嵌入维数m，据此计算出饱和关联维数、最大Lyapunov指数以及Kolmogorov熵特征量，其结果显示该序列具有低维混沌的特征；应用Cao方法排除其为非线性序列的可能性；结合替代数据法论证得成都市单位质量消光系数时间序列为随机序列。该研究结论不仅明晰了单位质量消光系数序列的特性，还为大气颗粒物湿度订正模型的改进奠定理论基础。

针对平台误差系数建模预测问题，提出了基于多变量相空间重构的多输出高斯过程回归预测算法。通过多变量相空间重构将两个相关性较强的平台误差系数重构在一个相空间中，采用多输出高斯过程回归模型同时预测这两个平台误差系数。该算法充分利用了两个误差系数之间的相关性，提高了预测精度，而且可以得到任意置信度下的预测均值和置信区间，为解决平台误差系数建模预测提供一条新的途径。

提出了一种利用支持向量机(SVM)构建预测的图像压缩预测编码算法.该算法将遗传算法引入支持向量机中,在自学习的过程中,能够自动调整SVM的核参数,获取准确的图像信息.通过仿真试验,并与传统预测编码方法、神经网络预测编码方法进行比较,结果证明该算法恢复图像效果最好.