基于大数据的机器学习算法在诸多领域已有广泛应用,但在降水季节预测方面则刚刚起步。因此,基于国家气候中心(BCC)季节气候预测模式资料和国家气象信息中心提供的中国地面降水逐月观测资料,本研究探索了机器学习在中国夏季降水预测中的应用。降水预测因子的选取影响着机器学习预测的准确率。经广泛文献调研,本研究选取了对于中国夏季降水预测而言有着明确物理意义的60个气象因子,含33个大气因子、7个陆面因子、13个海洋因子和7个海冰因子。本研究对长短期记忆网络(Long Short-Term Memory,LSTM)算法进行了优化研究。针对LSTM网络中的训练误差、泛化误差,分别采用了自适应矩估计(Adaptive Moment Estimation,Adam)、Dropout的方法进行优化,从而加快了网络的训练速度,并提高了模型的泛化能力。由于LSTM网络预测准确率受网络参数的影响较大,且不同气象站点的降水气候特征与预测因子各异。本研究对160站逐个的隐含层节点数、训练次数和学习率等参数进行了调优。还比较了LSTM网络与逐步回归、BP神经网络(Back Propagation Neural Network)和BCC模式结果的预测准确率。研究结果表明:综合考虑均值、距平相关系数和均方根误差,LSTM网络预测能力优于逐步回归、BP神经网络和BCC模式结果。使用4月起报数据的LSTM网络降水距平的预测结果准确率优于使用3月、5月起报数据的预测结果。海冰因子对降水季节预测结果的准确率而言有着正贡献;全因子输入的LSTM网络预测效果优于剔除海冰因子后的LSTM网络。基于参数调优结果和对预测方案的研究,本文最终选取基于4月起报的BCC模式数据,并采用了输入全部降水预测因子的LSTM网络进行中国夏季降水预测。结果表明,LSTM网络对降水整体形势有着一定的预测能力。2014年、2015年全国夏季降水回报试验的Ps评分分别为74分、71分,距平符号一致率分别为55.63%、55.25%;Ps评分均值高于当年汛期全国气候趋势预测会商会及业务模式结果。本研究为中国夏季降水预测提供了一种可能的参考。