铀资源作为核能发展的物质基础，其变化规律受经济、政治等因素的影响，研究国际铀资源价格的变化趋势，有利于我国制定核能开发与利用的政策和发展规划。目前，对于价格预测的研究主要是基于时间序列进行的，研究方法主要分为两类，一类是传统的时间序列分析方法如ARMA模型，GARCH模型等；另一类是人工智能方法，如神经网络模型，支持向量机模型，模糊回归模型等。虽然神经网络模型具有非线性特征，但是其在应用中存在着受初值影响大，训练速度缓慢，容易陷入局部极小值，有时会发生过学习或泛化能力低等现象，影响了模型的稳定性和预测精度。支持向量机遵循结构风险极小化原则，能较好地解决小样本、非线性、高维数和局部极小等问题，解决了过学习以及维数灾难等问题，是机器学习研究的新热点。本文的主要工作包括：（1）引入混沌理论和马尔可夫决策思想，计算最大Lyapunov指数来说明铀价格时间序列的混沌性，采用Cao方法确定最小嵌入维数，然后对铀资源价格时间序列进行相空间重构。（2）介绍了支持向量机理论的基本原理，及常用的核函数类型，分析了参数的选择对支持向量机模型的性能和预测结果的影响，并利用粒子群算法优化支持向量机模型的参数。（3）在铀资源价格时间序列的相空间重构基础上，分别建立基于RBF神经网络、SVR和PSO-SVR的铀资源价格预测模型，并进行仿真实验比较。研究结果表明基于PSO-SVR预测模型的预测结果的精度较高，验证了本文所建立的基于PSO-SVR的国际铀资源价格预测的适用性和有效性。