近年来,频繁发生的霾天气已经在很大程度上影响着民众的健康以及人类的生产生活方式。减少霾的发生并降低霾的影响已经成为各级政府和相关部门的重要任务。霾的定性预报和等级预报可以为防霾控霾措施的制定提供决策参考依据。因此针对霾预报建模方法的研究也逐渐成为当前环境和气象预报领域的热点问题。本文基于统计学中的多元逐步回归以及支持向量回归等相关理论,对霾预报的建模算法进行了讨论和研究。研究了基于多元逐步回归与概率混合回归算法的霾预报模型。该方法首先利用统计预报的大样本数据,来确定每一个关键因子的权重和阈值；然后使用模式预报获得的气象要素,利用多元逐步回归方法建立能见度预报方程,以减少数值预报系统带来的系统误差；接着利用概率回归结合能见度、相对湿度等物理参量建立基于二值变量的霾预报模型,从而得到霾发生的概率值；最后以北京、南京、杭州、郑州等地为例,通过与现有业务上主要运行的雾霾数值预报系统CUACE对比检验,验证了混合回归预报算法在霾预报方面的有效性。研究了基于时间序列与支持向量回归相结合的霾预报建模方法,该方法首先通过经验模态分解(Empirical Mode Decomposition, EMD)方法将不同频率的原始信号分解为各个平稳分量；接着使用支持向量回归算法对分解后的分量训练并预测,并将各分量预测后的结果相加；最后结合有无降水以及相对湿度的阈值来预报霾是否发生；最后以北京、石家庄、南京、郑州、杭州等典型站点为例对建立的模型进行训练测试,验证了该模型的预报精度相对于多元逐步回归算法有很大的提高。研究了一种改进在线支持向量回归的霾预报方法。该方法对新样本进行增量学习,利用矩阵分块的思想,对边界支持向量进行迭代更新,并结合混沌粒子群算法对支持向量回归核函数进行参数寻优,从而建立大气能见度预报方程,最后利用支持向量机判断是否有雨,并结合相对湿度阈值,建立霾预报模型。实验结果验证了其运行速度与传统的在线支持向量回归有了显著提高。与现有业务上主要运行的雾霾数值预报系统CUACE相比,该改进算法的预报准确率也得到了一定的提高。