日冕物质抛射（Coronal Mass Ejections,CMEs）是日地系统中的重要事件之一,它能引起地磁扰动和与之相关的空间环境效应。预测CMEs是否会到达地球以及何时到达,具有特殊的意义。在目前的业务预报中,由于人工经验预报需要充分考虑历史相似事件的效应,才给出最终的预报。而机器学习在现实应用中取得了意想不到的成果。特别是,将大量数据集和计算机相结合,在各个领域都取得了丰硕的成果。推荐系统,作为机器学习中的一种信息过滤系统,针对海量信息,可以预测用户对物品的评分或偏好。通过推荐算法,可以推荐出用户需要的历史CMEs事件。借鉴相似推荐的思想,计算各历史事件的特征距离,推荐历史上相似CMEs事件为预报员作参考,做出准确的预报。围绕CMEs的预报工作,文章的主要研究内容如下:（1）首先建立了包含CMEs特征、源区位置坐标和太阳风参数在内共计18个物理特征的215个事件的综合关联列表。基于该CME关联列表,我们设计了一种基于推荐算法来预测CMEs到达时间的模型。根据推荐算法中常用的两种距离计算方法,余弦距离和欧氏距离,分别进行对照试验。这18个物理量通过模型训练后,确定合适的权重。误差分析表明,欧氏距离的实验结果相比于余弦距离的效果更好。在测试集中,欧氏距离结果的平均绝对误差和均方根误差分别为11.78小时和13.75小时,达到了CME Scoreboard上发布的其它模型的平均水平,从而验证了推荐算法的可行性和有效性。将推荐算法应用在CMEs预报上,乃至空间天气预报上是一次全新的尝试,并有希望将该模型应用在空间天气预报其它方面。（2）基于机器学习方法,利用CMEs的10个参数,预测CMEs是否到达地球。主要利用推荐算法和逻辑回归的方法进行了多组实验。实验过程分为两部分:训练权重过程和推荐过程。第一部分数据用来训练参数的权重,在该数据中划出10%的测试集,来验证所选最优权重的模型效果;第二部分数据用来做推荐,将第一部分实验得到的参数权重构建推荐模型,推荐历史相似的CMEs。对比实验结果发现,使用逻辑回归的结果更为优秀,召回率达到了73%,这充分验证了逻辑回归相比于单一的距离计算更为智能,可以深入的学习数据背后蕴含的物理规律。但与推荐算法相比,它不能推荐出历史相似的CMEs事件,不能为预报员提供可参考的历史事件。（3）针对1996年—2020年内的CMEs事件,利用SOHO/LASCO C2拍摄的图片构建模型。在利用图片预测CMEs是否到达的实验中,将图片的处理方式分为两种实验:第一种实验是将CMEs爆发6个小时内的所有图片按时间衰减的方式进行叠加,采用基于GPW（General Pair Weighting）框架的多机制相似度损失构建模型,进行了三组测试,第一组是包含正负样本的数据集,第二组是只有正样本的测试集,第三组是只有负样本的测试集,三次实验的击中率分别是98.6%,73.9%,100%,从实验结果可以看出来模型的可行性。第二种实验分为两组,第一组是将每个事件中最亮的一张图片与前者一张图片进行差分得到的图片输入神经网络模型,得到的召回率为41.82%,F1指数为19.66%;第二组是将每个事件选取一张代表图片按照CPA和角宽度进行裁剪后输入模型,得到的召回率为45.61%,F1指数为32.50%,相比于第一组实验的结果有所提高。但这种基于图片的CME预报模型效果还需要进一步的提升。