安徽省作为农业大省,粮食产量在全国具有重要地位。近年来,由于气候多变,导致安徽省多个地区粮食减产,给农业生产带来了很多不确定性,因此,利用气象数据进行粮食产量预测研究十分必要。本文以安徽省冬小麦为研究对象,将气温、降水量和日照时数这三种主要气象因子作为影响因素,开展冬小麦产量预测模型研究。具体工作如下:1)完成了气象、冬小麦产量数据的选择和预处理工作。以“安徽省农作物病虫害监测预警平台”数据库和《安徽统计年鉴》为数据来源,以安徽省阜阳市为代表地区,选择该地区2006～2018年的冬小麦产量数据以及生育期平均气温、降水量、日照时数数据作为样本数据,并对气象样本数据进行分组,划分出18个气象因子变量。2)分离了时间趋势产量和气象产量。冬小麦产量一般情况下可划分为时间趋势产量和气象产量两部分。首先利用时间回归分析法,将实验年份冬小麦总产量中气象产量和时间趋势产量进行分离处理,并建立时间趋势产量预测模型;然后利用气象数据和分离出的气象产量数据,分别采用逐步回归分析法和BP神经网络算法构建气象产量预测模型。3)开展了基于气象数据的冬小麦产量预测模型研究。首先采用逐步回归分析法在18个气象因子变量中筛选出6个与气象产量显著相关的主要气象因子作为自变量,然后根据逐步回归分析结果中的参数构建气象产量预测模型;接着利用BP神经网络算法,将逐步回归分析法筛选的6个主要气象因子作为神经网络的输入,将气象产量数据作为神经网络的输出,设置神经网络参数,训练预测模型。4)进行了两种预测模型之间的对比分析工作。基于气象产量预测结果,以两种预测模型为对比对象,分别从整体预测精度、平均相对误差和均方根误差上比较它们的优劣性和应用情况。结果显示,利用BP神经网络算法建立的模型整体预测精度为84%,比利用逐步回归分析法建立的模型整体预测精度(80%)高4%,平均相对误差为0.19,均方根误差为44.37,均低于利用逐步回归分析法建立的模型平均相对误差(0.20)、均方根误差(74.59),说明BP神经网络算法建立的模型在气象产量预测上效果更好。以2019年为试报年,结合时间趋势产量预测模型和BP神经网络算法预测模型,计算出2019年冬小麦产量预测值为7157.726kg/hm~2,与实际产量6355kg/hm~2相比,预测精度达到了88%。