电离层模型对于短波和卫星通信系统设计、研制及应用具有重要的意义。作为电离层重要的特征参数,F2层临界频率（fo F2）和3000km传输因子（M（3000）F2）均为影响因素多、非线性化、非结构化的参数,其变化均具有非周期性与周期性现象循环共存的特点,一直以来是电离层建模的重点和难点。目前国内外研究致力于准确表征和获取电离层F2层特征参数与其影响因素之间的复杂关系,以实现对F2层特征参数预测的智能化、高精度和强鲁棒性。因此,本文引入互信息与反向传播神经网络（MI-BPNN）、熵权法及极限学习机（ELM）理论等智能信息处理技术,分别用于建立电离层F2层特征参数的长、短期预测模型。本文的主要内容及重要贡献如下:1.为提高电离层参数长期预测模型的精度和智能化,以fo F2为例,本文利用MI理论度量不同太阳活动因子与fo F2之间的相关性,有针对性地选择出BP神经网络模型中正确的太阳活动因子作为其输入变量,从而提出用于fo F2长期预测的MI-BPNN模型。对比不同太阳活动年份中国际参考电离层（IRI）两个子模型,即国际无线电科学联盟（URSI）和国际无线电咨询委员会（CCIR）提供的预测模型,MI-BPNN模型的fo F2预测精度均有所提高。2.为提高现有电离层参数长期预测模型的鲁棒性,以fo F2为例,本文基于熵权法理论构建fo F2组合预测模型（CPM）。通过对比CPM与IRI两个子模型URSI与CCIR的均方根误差（RMSE）,CPM在不同太阳活动年份中的RMSE分别下降了0.08MHz和0.1MHz以上,对应精度分别提升了7.59%和6.03%以上。CPM有效解决了IRI两个子模型URSI与CCIR在不同太阳活动年份中预测fo F2时出现高估或低估的问题,展现出鲁棒性更强、预测精度更高的优点。3.为建立智能化、高精度的电离层参数短期预测模型,本文引入ELM理论构建fo F2与M（3000）F2短期预测模型。相较于传统神经网络BPNN,在预测精度略有提高的前提下,基于ELM的预测模型在两类参数的预测时间约为BPNN的1/61和1/14。此外,基于ELM的fo F2短期预测模型相较于URSI与CCIR在不同太阳活动年份中预测fo F2时RMSE分别下降了0.24MHz和0.28MHz以上,对应精度分别提升了27.19%和33.3%以上。基于ELM的M（3000）F2短期预测模型相较于IRI模型在预测不同太阳活动年份中的M（3000）F2时RMSE则下降了0.028以上,对应精度提升了14.5%以上。这些结果证明了ELM能够有效提高电离层参数短期预测模型的精度和泛化能力。