降雨量是水资源管理、城市内涝预警以及水文分析的重要参数。因此,对降雨量进行准确预测可为农业、水利等相关部门提供决策依据,减少不必要损失,具有重要的指导意义。由于降雨量系统受温度、气压及湿度等诸多因素影响,导致了月降雨量时间序列具有高度非平稳、非线性的特征,要对其准确预测难度较大,所以对其准确预测仍旧是目前所面临的难题。为了进一步提高月降雨量预测的准确性,本文立足于月降雨量时间序列的多尺度特征,开展了数据驱动下基于融合模型的月降雨量预测研究。利用重庆、昆明和澳大利亚维多利亚六个站点降雨实测数据做为研究对象,验证了常用的单一模型以及本文的方法,取得相关的研究成果和结论如下:1)基于降雨量预测的模型探讨和降雨量时间序列的可预测性研究;首先阐述了降雨量预测模型的两大类,即解释型模型和数据驱动模型。一般的,构建准确的解释型模型难度较大,而基于数据驱动的方法不考虑外在影响因素,仅仅利用历史数据间的联系来建立模型,此类模型克服了上一种模型的缺点,对于复杂的系统更具适用性。其次介绍了降雨量预测中常用的数据驱动模型以及分析了降雨量时间序列的可预测性。将六个地区的实测数据进行可预测分析,从功率谱和最大Lyapunov指数的结果都可得出,这六个地区的时间序列都存在明显的混沌特性,进而说明本文所搜集的数据都具有可预测性。2)对常用的降雨量预测模型进行了研究探讨;对比分析了目前使用较多的三种预测模型,分别是ARIMA模型、BPNN模型以及LSSVM模型,对其理论和建模步骤进行了详细的介绍,并且根据实例预测结果进一步说明了各模型的优缺点。从预测结果来看,三种模型对时序变化趋势把握较好,但对突变值拟合能力较差,其中ARIMA模型的拟合效果最差,BPNN模型和LSSVM模型拟合效果相近。对于降雨这种高度复杂的非线性系统,上述三种模型的预测精度较低。3)基于融合模型的月降雨量预测研究;为了进一步提高月降雨量预测精度,着重分析了组合模型的特点以及在降雨量复杂系统中应用组合模型的必要性,接着提出了本文所采用的一种组合模型——融合模型。综合考虑了月降雨量多尺度的特性,将月降雨量时序分为月尺度子序列和年尺度子序列。根据这两个子序列的不同特点,分别选取自适应模糊神经网络(ANFIS)和灰色模型(EGM)来对其进行预测,将两个单一模型的预测结果再通过灰色关联法进行数据融合。通过实例分析的结果可以得出,基于本文所提出的融合模型的月降雨量预测精度高于相应的单一模型与三种常用模型,表现出较好的稳定性,同时也证明了所提出的融合模型能提高降雨量预测精度。本文提出的组合模型不仅为月降雨量预测提供了一种高效的新方法,同时还为与其相类似的研究提供了新的思考方式。文中所涉及的预测方法都编制了相应的程序,申请了软件著作权,这为将来投入实际应用奠定了坚实基础。