本文针对短期气候(月、季、年时间尺度)变化的非线性特征以及影响其变化的机制和因素的复杂性,研究了建立在统计学习理论的VC维和结构风险最小化原则基础上的支持向量机(SVM)对短期气候的预测能力,并将支持向量机在气象领域中的应用进行了实验研究。其主要研究内容及进展如下：(1)将一维时间序列观测资料中蕴含的丰富有用预报信息作为研究对象,以月平均温度为实例,对比分析了结合经验模态分解(EMD)与最小二乘支持向量机(LS-SVM)的方法、不经过EMD分解的LS-SVM以及RBF神经网络方法的性能。实验结果表明,EMD和LS-SVM相结合的方法性能优于其他两种方法,具有更高的预测精度和较好的推广能力。(2)在短期气候预测中,以浙北地区(5-9)月降水量为实例,对比分析了采用均生函数与支持向量机(SVM)相结合的短期气候预测方法、不经过均生函数处理的SVM方法及分段回归方法。实验结果表明将均生函数和SVM相结合的方法用于短期气候预测中,为预报建模提供了新的思路和方法。(3)采用支持向量机分类方法,进行灾害天气预测预报的研究。寒冬灾害天气的预测是将灾害天气分为模式识别中的两类(是、否灾害天气)。本文选取预报因子来构造气象预测样本,建立SVM二分类模型,并与RBF网络进行对比验证。实验结果表明,SVM用于灾害天气小概率事件的分类预测取得了较好的效果,可以进一步用于灾害天气预测的实践。而夏季的高温或凉夏这类灾害天气的预测,则将灾害天气分为三类(高温、凉夏和正常)。同样选取预报因子来构造气象预测样本,建立多分类模型,结果表明SVM多分类用于气象预报具有较好的前景。