降雨的发生是大气中多种气象参数综合影响的结果,而水汽与降雨的发生关系密切,因此,准确、实时探测大气水汽含量对于短临天气预测具有重要意义。大气可降水量(Precipitable Water Vapor,PWV)是指地面至大气顶界单位截面积空气柱中全部水汽凝结为雨所形成的降雨量,能够反映大气中水汽的短临变化情况。随着全球导航卫星系统(Global Navigation Satellite System, GNSS)的不断发展和成熟,利用GNSS技术反演PWV已逐渐成为获取大气水汽的重要方式。现有研究利用最小二乘法拟合GNSS PWV时变信息建立短临降雨预测模型,但该模型仅依靠单气象因子PWV不能达到高精度预测降雨的要求。针对上述问题,本文研究降雨及其多种相关参数(PWV,温度,相对湿度,露点温度,年积日,日积时)间的时变特征,并构建基于径向基(Radial Basis Function, RBF)神经网络的短期降雨预测模型,将该模型应用于预测位于新加坡南洋理工大学的GNSS并址气象站(NTUS站)2011-2012年间的降雨事件,实验结果表明,本文提出的基于RBF神经网络降雨预测模型可预测未来1-5小时内90%的降雨事件,准确率高于传统方法,错报率精度与传统方法相当。