在线时间序列预测是一个热点研究问题，需要对大量、非线性、随机样本进行在线预测，对预测精度和效率都有较高要求。KRLS（Kernel RecursiveLeast Square）算法具有收敛速度快、计算复杂度低、模型简单等优点，将其用于在线时间序列预测具有较好的应用前景。但是，现有KRLS算法因在线预测过程中对动态环境的自适应能力不理想，导致无法同时满足预测精度和效率的需求。本文将针对上述问题开展研究工作，研究工作主要包括：首先，研究KRLS算法的基本原理及其在线时间序列预测方法。针对KRLS算法核心的样本词典在线更新问题，通过在线预测实验对比分析稀疏化、滑动窗口和固定预算三种样本词典更新方法对预测精度和效率的影响。其次，针对采用稀疏化方法的稀疏KRLS算法预测效率较高，但由于其自适应能力较差而预测精度较低的问题，提出动态遗忘稀疏KRLS算法，通过引入遗忘因子和遗忘因子动态自适应的方法，提高其预测精度。实验结果表明，动态遗忘稀疏KRLS算法与稀疏KRLS算法相比，对预测效率产生很小的影响，却很大程度的提升了预测精度。此外，针对扩展KRLS算法具有动态环境下状态跟踪能力，但其预测效率较低且预测精度也不理想的问题，提出动态遗忘稀疏扩展KRLS算法，通过引入稀疏化方法，提高预测效率且解决因过拟合而精度下降的问题，通过采用动态遗忘方法，进一步改进其自适应能力，从而实现较高的预测精度。实验结果表明，动态遗忘稀疏扩展KRLS算法与扩展KRLS算法相比，预测精度和效率都有明显的提高。最后，将动态遗忘稀疏KRLS算法和动态遗忘稀疏扩展KRLS算法应用于NASA锂离子电池容量和移动通信话务量在线预测。预测结果表明，与经典的KRLS-T算法相比，本文提出的两种算法预测精度和效率均有优势，更适合进行在线预测。其中，动态遗忘稀疏KRLS算法更适合对效率要求较高的情况进行预测，动态遗忘稀疏扩展KRLS算法更适合对精度要求较高的情况进行预测。