人类赖以生存的气候环境受自然因素和人类实践活动的双重影响，变化幅度较大，导致各类气象灾害频繁发生。因此，气象要素的预测研究逐渐成为大气科学发展研究的热点。目前，此类研究普遍采用计算机技术，结合气象学相关理论进行建模，尝试对未来气象变化发展规律进行模拟和预测，旨在探索气象变化趋势，对未来大气状况进行比较准确地预测，为人类的生产实践提供理论决策指南。　　 统计学习方法(生函数、统计分析、插值拟合等)和机器学习方法(神经网络算法、贝叶斯分类、决策树、支持向量机、覆盖算法等)是降水量数据预测的两种常用方法。从数据计算的总体效果来看，统计学习方法在准确性和复杂度方面比机器学习方法要低。本文旨在对气象数据的降水量进行预测，故选择机器学习方法。贝叶斯分类、决策树分别从概率统计和属性决策方面对数据进行预测，线性特征的数据预测表现较好，而非线性数据的预测却不尽如意。由于气象数据中存在非线性特征现象，故这些方法不适宜进行实验建模和预测降水量。本文通过近年应用比较广泛的BP算法、支持向量机和覆盖算法对降水量预测进行建模，并对预测结果进行对比分析，以期在今后的实践中能够采用比较准确、合理的预测方法进行降水量的预测。　　 本文采用覆盖算法、支持向量机算法以及基于人工神经网络的预测原理神经网络工具箱同时进行降水量预测,以淮北市1970-2009年的气象数据为基础，分别预测该地区年降水量的变化趋势，并进行对比分析。计算结果表明,覆盖算法模型相对于支持向量机和BP算法模型在降水量预测方面具有较高的预测精度。　　 本文的工作主要包括：　　 1．介绍降水量预测的概念、现状和方法，并对这些方法进行分析，重点介绍目前气象科学广泛使用的分类算法模型。　　 2．论述人工神经网络的神经元模型和分类模型，对神经网络的学习，BP 神经网络的原理、方法、基本结构和权值调整等内容进行介绍与分析。　　 3．讨论线性支持向量机的原理，分线性可分和线性不可分两个方面进行分析，同时介绍非线性支持向量机，以及覆盖算法的M-P 神经元的几何意义。　　 4．阐述商空间粒度计算理论的基本内容和性质，以及其分层技术和分层递阶模型，综合相关样本集，利用商空间粒计算对相关气象数据进行处理。　　 5．分析实验数据，得出结论。在降水量的预测方面，覆盖算法的效果最好，支持向量机算法次之，BP算法对降水量的预测效果较差。