气象时间序列是国民经济建设的重要资料,对其进行合理利用及预测,可以为气象行业预防气象灾害提供重要的理论和现实依据。根据气象时间序列非线性和非平稳的特点,选用径向基函数(Radial Basis Function, RBF)神经网络方法对其进行预测。针对RBF网络对参数设置敏感这一问题,本文引入有效的改进策略,提出了多种优化的RBF神经网络预测模型,并应用于降水量和气温预测,得到了满意的结果。具体而言,本文的工作体现在以下方面：(1)针对RBF神经网络学习过程中对参数设置敏感问题,分别引入粒子群优化(Particle Swarm Optimization, PSO)算法和量子粒子群优化(Quantum-behaved Particle Swarm Optimization, QPSO)算法,建立了两种优化的RBF神经网络模型,并应用于湛江站2001-2003年的月降水量预测,验证了QPSO-RBF神经网络模型的可靠性和优越性。(2) QPSO算法在迭代后期由于粒子多样性衰减导致陷入局部收敛,为解决这一问题,提出了一种基于遗传操作的量子粒子群(Genetic Operation-based QPSO, GQPSO)优化算法。采用遗传操作自适应的调整策略,在保证收敛速度的基础上增加群体多样性,提高了QPSO算法的全局搜索能力。(3)气温预测应用中,将GQPSO算法应用于RBF神经网络的参数优化,建立了GQPSO-RBF神经网络模型。将其应用于南京、徐州、赣榆和东台站某一具体时间段的气温预测中,与QPSO-RBF和RBF神经网络模型同期对应的预测结果进行了对比。结果表明,GQPSO-RBF神经网络模型预测的气温变化趋势和相位与实际情况更一致,具有预测精度高,预测能力稳定等特点。