在气候变化及人类活动的影响下,干旱灾害严重威胁着人民群众的生命和财产安全。针对当前气象干旱预测方法中存在的预测精度低、可信度差等问题,构建高精度的预测模型将为区域水资源的合理配置以及防旱抗旱提供理论支撑。本文以河南省三座城市为研究对象,从1951-2020年的河南省逐月气象数据入手,依据两种气象干旱指数,借助相关统计方法、模态分解算法、群体智能优化算法、时间序列预测算法等工具,分析气象干旱规律,以“分解-优化-集成”思路构建气象干旱混合预测模型并进行对比分析。论文主要的研究内容及结论如下:（1）气象干旱规律分析。为探究河南省安阳市、郑州市、信阳市两种气象干旱指数之间的规律,采用皮尔逊相关系数及统计分析方法进行分析。结果表明,三座城市两种气象干旱指数相关系数分别为0.95、0.95、0.98。轻旱、中旱平均每7个月、10个月发生一次;重旱、特旱平均每2年、4年发生一次。综合以上分析,两种气象干旱指数序列呈高度相关,且河南省气象干旱状况以轻旱、中旱为主。（2）气象干旱预测方式选择。为优选气象干旱预测方式,建立长短期记忆神经网络、门控循环单元、支持向量机回归三种机器学习模型,分别通过直接与间接两种方式对气象干旱进行预测。在方式一中,对气象干旱指数直接预测;在方式二中,先预测特征,然后计算得到相应的气象干旱指数。结果表明,相较于间接预测,直接预测的平均绝对误差降低了34.72%;均方根误差降低了53.65%。综合分析表明,在气象干旱预测中直接预测方式精确度更高、更具优势。（3）气象干旱短期预测。为提高短期气象干旱预测精度,基于分解算法、深度学习算法,采用“分解-集成”的预测思路对基础模型进行改进,构建智能预测模型。利用变分模态分解（Variational Mode Decomposition,VMD）将气象干旱序列分解,采用卷积神经网络（Convolutional Neural Network,CNN）与注意力模块改进双向长短期记忆神经网络（Bi-directional Long Short-term Memory,Bi LSTM）,搭建CNN-ABi LSTM预测模型,最终构建VMD-CNN-ABi LSTM气象干旱混合预测模型。对比单一LSTM模型,预测精度提高了0.87倍,表明所提模型可较好地用于短期气象干旱预测。（4）气象干旱中长期预测。为提高中长期气象干旱预测精度,基于分解算法、优化算法、深度学习算法,采用“分解-优化-集成”的预测思路构建混合预测模型。利用VMD将气象干旱序列分解为若干本征模态分量;利用改进的混沌量子粒子群算法（Chaotic Quantum Particle Swarm Optimiztaion,CQPSO）优化门控循环单元（Gated Recurrent Unit,GRU）神经网络超参数;构建VMD-CQPSO-GRU气象干旱混合预测模型。相比单一GRU模型,预测精度提高了50.40%,且模型可信度极大提升。综合分析表明,所提模型可较好地用于中长期气象干旱预测。本文以提高气象干旱预测精度为目标,分析了气象干旱规律、优选了预测方式、搭建了预测模型,并对两种所提气象干旱混合预测模型进行了对比。结果表明,两种模型误差均值分别为0.14、0.12,纳什效率系数均值分别为0.92、0.94。综合以上信息,两种气象干旱预测模型性能相近。所提模型及方法可为气象干旱预测提供思路,为区域抗旱减灾提供参考。