Στη διπλωματική εργασία αυτή ασχοληθήκαμε με την πρόβλεψη της εξόδου μη-γραμμικών συστημάτων με τη χρήση αναδρομικών αλγορίθμων που χρησιμοποιούν συναρτήσεις πυρήνα. Παρουσιάζεται ο δικός μας αναδρομικός αλγόριθμος πρόβλεψης και βλέπουμε πως αποδίδει σε σχέση με έναν άλλο ήδη υπάρχων και ιδιαίτερα δημοφιλή αλγόριθμο. Στο πρώτο κεφάλαιο δίνουμε μια σύντομη περιγραφή του προβλήματος που καλούμαστε να λύσουμε. Στη συνέχεια δείχνουμε πως οι συναρτήσεις πυρήνα μπορούν να χρησιμοποιηθούν για να μας βοηθήσουν να λύσουμε το πρόβλημα αυτό. Στο δεύτερο κεφάλαιο αναλύουμε περισσότερο τις συναρτήσεις πυρήνα και τις ιδιότητες που τις χαρακτηρίζουν. Παρουσιάζουμε τα βασικά θεωρήματα και βλέπουμε πώς διαμορφώνεται το πρόβλημα της πρόβλεψης με την εφαρμογή αυτών. Επιπλέον παρουσιάζουμε πως το πρόβλημα μας μετατρέπεται στο γνωστό πρόβλημα γραμμικών ελαχίστων τετραγώνων στην περίπτωση που χρησιμοποιήσουμε γραμμικό πυρήνα. Στο τρίτο κεφάλαιο παρουσιάζουμε τον αλγόριθμο μας, αναλύοντας το συλλογισμό που μας οδήγησε σε αυτόν. Δίνουμε επίσης μια περιγραφή ενός άλλου αλγορίθμου που χρησιμοποιείται ήδη για την επίλυση τέτοιων προβλημάτων. Στο τέταρτο κεφάλαιο γίνονται μια σειρά από προσομοιώσεις σε MATLAB οπού βλέπουμε πόσο καλά μπορεί να κάνει την πρόβλεψη των εξόδων μη-γραμικών συστημάτων ο αλγόριθμός μας. Επίσης αντιπαραθέτουμε και την απόδοση του ανταγωνιστικού αλγορίθμου. Στα πειράματα μας εξετάζουμε το σφάλμα πρόβλεψης των προαναφερθέντων αλγορίθμων, την ταχύτητα σύγκλισης τους καθώς και την σθεναρότητα τους. Τέλος παρουσιάζουμε τα συμπεράσματα μας εξηγώντας γιατί πιστεύουμε ότι η δικία μας προσέγγιση υπερτερεί της άλλης. / This dissertation deals with the problem of predicting the output of non-linear systems using recursive kernel methods. We will present our own prediction algorithm and see how it performs in relation to a widely used alternative algorithm. In the first chapter we provide a short description of the problem of non-linear prediction. We then describe how kernel methods could help us solve this problem. In the second chapter we further analyze kernel functions and their properties. We present the basic theorems and see how these affect and transform the problem at hand. Furthermore, we explain how this problem results in the linear least squares problem in case we use the linear kernel. In the third chapter we present our algorithm and reasoning that led to it. We also describe a different algorithm that is already used to predict such signals. In the fourth chapter we perform a series of simulations in the Matlab environment were we evaluate how well the two approaches predict the output. In this evaluation we consider the complexity, the error and robustness of the algorithms. Finally we present our conclusion and explain why our algorithm is superior to the alternative.