为了提高混沌时间序列预测的准确性，提出了一种基于模糊信息粒化和注意机制的混合神经网络预测模型（Fig CNN LSTM ATT）。首先，对数据进行归一化，并通过模糊信息粒化简化数据的复杂性。然后，从相空间重建的样本被输入卷积神经网络（CNN），以提取空间特征。然后利用长短时记忆神经网络（LSTM）进一步提取时间特征。最后，融合特征被传输到注意机制，以提取关键特征并获得预测结果。选择Logistic、Lorenz和太阳黑子混沌时间序列进行实验，并与CNNLSTM att模型、CNNLSTM模型、fig CNN模型、fig LSTM模型、CNN模型、LSTM模型、支持向量机（SVM）和误差反向传播（BP）模型进行比较。结果表明，该预测模型具有较高的预测精度和较小的误差。