太阳质子事件是一种由太阳活动引发的有害空间天气现象,会将大量的高能粒子传播到近地空间,造成航天器故障,并且会对宇航员的健康造成严重伤害。因此,太阳质子事件的短期预报,对于航天活动的灾害预防有着非常重要的意义。近几十年来,国内外研究人员针对未来24小时内太阳质子事件发生情况的预报,提出了大量的方法。这些方法中普遍存在着虚报率较高的问题。本文在国内外研究进展的基础上,提出了一种基于集成学习方法的预报模型,在模型中集成了多种广泛使用的机器学习方法。本文首先以太阳耀斑,CME,太阳黑子相关特征作为预报因子,并由太阳质子事件发生与否作为标签,建立了预报数据集,并对整个数据集进行了预报因子的优化。随后,基于8种广泛使用的机器学习方法建立模型,经过对模型参数调优,预报因子筛选,获得了一个集成预报模型。该模型对24小时内太阳质子事件是否发生进行预报,报准率高达80.95%,同时虚报率仅有19.05%,F1值达到了0.8095,相比现有的质子事件预报方法获得了明显的进步。在完成了对24小时内太阳质子事件是否发生的预报工作后,本文又进行了预报更长时间范围的太阳质子事件的探索,并构建了预报48小时和72小时内太阳质子事件是否发生的集成模型。二者的表现相较24小时模型有一定差距,但是依然拥有较高的报准率和较低的虚报率,在航天活动中投入使用,可以将太阳质子事件预防的时间提前一到两天。本文的研究为利用机器学习方法构建准确率更高,稳定性更好的太阳质子事件短期预报模型提供了技术积累,所提出的方法可以扩展到多种空间天气和现象的预报领域,也为日后SMILE卫星等空间探测器的观测数据的研究提供了应用思路。