目的:本研究基于2014-2020年重庆市水痘报告病例数据进行流行病学特征描述,时空分析水痘的空间分布特征,构建水痘发病率的预测模型并进行评价,从而为重庆市水痘的疫情防控方面提供一定的参考根据。方法:1.Excel 2010对数据进行整理,采用描述性分析法对重庆市2014-2020年水痘进行特征描述,并采用Excel 2010与Arc GIS软件绘制相应图表。2.选用全局自相关分析用于探究重庆市水痘报告病例在整体空间区域的自相关性,局部自相关分析探究在局部地区水痘发病的四种聚集模式,这两部分的分析都是通过Geoda软件实现;时空扫描分析重庆市水痘在时空分布上的聚集特征,时空扫描分析则是通过使用Sat Scan软件进行分析。3.基于2014年1月至2020年6月重庆市水痘报告发病率,分别拟合指数平滑模型、SARIMA模型与LS-SVM模型,并对重庆市2020年7月至2020年12月水痘发病率进行预测。计算出三种预测模型的6期预测值的RMSE与MAPE值,并进行比较,选择出适用于本研究数据的最佳水痘预测模型。结果:1.2014年1月至2020年12月重庆市水痘累计报告病例数共180080例,水痘年均报告发病率约为83.76/10万。2014-2020年重庆市水痘报告病例数的平均发展速度为114.3856%,平均来看,水痘报告病例数逐年增加,水痘报告病例数的平均增长速度为14.3856%。从性别分布上看,男性累计报告水痘病例数是女性累计报告水痘病例数的1.10倍。从年龄分布上来看,水痘累计报告病例最多的年龄段为0～5岁,6～9岁,10～19岁。从职业分布上来看,发现学生群体的水痘报告病例数最多,共111554例,占比为61.95%,其次是托幼儿童与散居儿童,累计报告病例数分别为33054例,15773例,占比分别是18.36%,8.76%。在时间分布上,水痘报告发病率高峰分别是10月至次年1月,5月至6月。在地区分布上,2014-2016年期间重庆市水痘高发地区较少,2017-2019年期间重庆市水痘高发地区逐年增多,尤其是2018年与2019年,2020年水痘高发地区相对减少,除2018年与2019年外,每年水痘高发地区不相同。2.全局自相关分析中,重庆市2014-2020年水痘的空间全局自相关中仅有2016年是显著的（P=0.0310）,其余年份的空间相关性不显著。局部空间自相关分析结果表明高-高聚集区与低-低聚集区较多,分别是16个和26个,低-高聚集区共有6个,高-低聚集区共有6个。时空扫描结果表明,重庆市有3个水痘聚集区,共包括了重庆市22个区县,一类聚集区包含了8个区县,二类聚集区包含了9个区县,三类聚集区包含了5个区县。3.从预测的精度来看,本研究拟合出的三种预测模型中,Holt-Winters乘法模型的预测RMSE与MAPE值分别为7.9226,60.2460%,SARIMA（2,1,1）（0,1,1）12模型的预测RMSE与MAPE值分别为4.8874,28.6679%,LS-SVM模型的预测RMSE与MAPE值分别为0.9258,13.5474%。在三种预测模型中预测RMSE与MAPE值最小的是LS-SVM模型,且LS-SVM模型的预测值曲线与实际值曲线更贴近。结论:平均来看,重庆市水痘报告病例数逐年增加。水痘的职业分布中,报告病例数最多是学生群体。在时间分布上,水痘的发病在季节上存在一定的规律性,冬季更容易暴发,其次是初夏,在水痘易暴发期应加强干预措施,避免人群感染。在地区分布上,2018年与2019年水痘高发地区最多,2014-2017年以及2020年期间重庆市每年高发地区不相同。时空扫描结果表明重庆市有3个聚集区,一类聚集区主要是主城区,主城区的水痘疫情防控应重点关注。在三种预测模型中,LS-SVM模型为最佳预测模型,该模型的拟合值曲线、预测曲线与实际值曲线的走势相一致,且预测值曲线围绕着实际值曲线上下小范围变化。LS-SVM模型对本研究数据的短期预测效果最好,今后可结合预测结果对水痘高发地区及早地做好防控工作,及时做好相关预防措施,如加大对水痘疫苗的接种规模等。为了提高预测模型的准确性,在未来的分析中还需要不断更新数据,不断优化模型,进而能够更好地预测,在重庆市水痘疫情防控方面提供一些参考根据。