作为“21世纪海上丝绸之路”重要海区和“两洋一海”关键海区,南海对于我国海洋强国战略至关重要。开展南海海洋环境中长期预报研究,可以为国民经济及国防事业提供强有力的技术支撑。作为重要的海洋要素,海面高度异常（SSHA）对于研究海洋温盐剖面、海洋涡旋等海洋动力现象具有重要意义。然而,由于气象驱动场的限制,传统的数值预报方法存在着预报时效过短、预报过程复杂等诸多问题;统计预报存在着预报结果较差等问题;现有的机器学习预报方法也只针对几个点或区域平均,忽略了空间相关性、多尺度信息等诸多问题。因此,迫切需要研制一种充分考虑空间相关性、预测时效更长和精度更高的SSHA预测模型。鉴于机器学习的强非线性拟合性、经验模态分解的强去非平稳性和经验正交函数的降维性,本文预将其融合进行SSHA预测。机器学习预测方法主要是通过输入预报因子进行预测,其中就包括气象强迫和侧边界强迫。因此,本文从动力学和热力学两个角度对这些外部因子进行分析,探讨其在0～30天时间尺度上对海洋的影响。结果表明,在0～30天时间尺度上,风应力做功、海气界面热通量输入和侧向开边界Rossby波向南海内部的传播等外部因子相较于内部动力机制是个小量,可以暂时忽略。因此,本论文未将其作为预报因子,输入神经网络训练。在上述研究的基础上,本文提出了一种基于经验正交函数和BP神经网络（一种机器学习方法）的SSHA预测模型（EOF-BPNN）来实现对起报时刻后30天的南海SSHA预测。由于气候态信号比较稳定,该模型首先对1993年1月1日～2013年12月31日逐日SSHA数据计算累年日平均气候态结果,将逐日数据扣除气候态得到距平结果,以探究中尺度涡旋的演化规律。将距平结果除以标准差,获取距平归一化结果,构建相关系数矩阵,并对该矩阵进行EOF分解,获取主成分;进一步将起报时刻前30天的主成分输入BP神经网络进行训练,实现对起报时刻后30天主成分的预测;最后将主成分预测值与相应的空间模态结合,获取SSHA距平预测值,在此基础上,乘以标准差加入气候态,获取SSHA预测值。结果表明,相较于惯性预报、气候态预报和HYCOM数值模式预报,EOF-BPNN模型能够提前30天对SSHA和相应的涡旋演化过程提供较为精确的预报。虽然上述EOF-BPNN预测方法对于非线性信号具有很好的预测性能,然而,真实的海洋信号通常是非线性的、非平稳的,只凭借BPNN的非线性拟合性还无法对非平稳信号实现特别好的预测结果。因此,本文进一步利用经验模态分解的非平稳信号处理优势,对EOF分解所得时间系数再次进行分解,将其分解为几个平稳的模态分量和剩余量,然后将分解结果输入BP神经网络进行训练、预报,最后将各模态预测值进行整合,实现时间系数预测,进一步获取距平化SSHA预测值、SSHA预测值。结果表明,一方面,EOF-EMD-BPNN预测模型将预测时效延长至90天,大幅提高了预测时效,且是针对多尺度问题的预报,而非单一气候尺度;另一方面,EOF-EMD-BPNN预测模型无论是相关系数、均方根误差,还是涡旋演化,均表现出与真实值很强的一致性,表明该方法具有较好的预测性能。也进一步证明了信号处理对于改善预测效果具有重要作用。