本发明提供了一种基于密度聚类和循环模糊神经网络的涡轮机组预测方法，属于技术领域。解决了现有的预测方法中未考虑到历史输入数据的分布密度和聚类特性导致非线性系统输出的预测精度下降的问题。其技术方案为：包括以下步骤：S1：构建超临界锅炉涡轮机组非线性系统；S2：利用DBSCAN聚类算法自动确定聚类数、局部线性子模型数和模糊规则数，并设计模糊规则；S3：构建循环模糊神经网络。本发明的有益效果是：本发明利用DBSCAN聚类算法自动确定模糊神经网络中最优模糊集数目，在降低计算复杂度的同时获得更高的系统建模预测精度，从而提高超临界锅炉涡轮机组输出的控制性能。