近年来,极端气候事件频发,尤其是干旱和冻害等气象灾害对农作物产量造成的影响极为严重。因此,积极开展农作物产量气象预测的研究,对作物生产的管理、决策、宏观调控和粮食安全问题的应对具有重要的意义。在实际应用中,不同的预测方法和理论对不同区域、不同品种作物产量的预测结果存在差异,筛选出适合本地农作物产量预测的方法和模型显得尤为重要。本研究以运城市小麦产量为研究对象,利用2000-2019年的气象数据开展小麦产量预测模型研究。分析运城市小麦单产变化趋势,对小麦单产进行趋势产量和气象产量的分离;采用随机森林算法筛选影响产量的关键气象因子,并建立不同的特征子集;构建基于线性回归（LR）、决策树（DT）、随机森林（RF）、极限梯度提升算法（XGBoost）、轻量的梯度提升机算法（LightGBM）的小麦产量预测模型,对比不同模型的预测精度。研究结果如下:1、近20年来运城地区小麦产量年际间变化较大,灾害年份较多。2000-2010年小麦产量在一定范围内波动性较大,从2010年开始呈显著上升趋势,在2019年出现明显的下降。利用HP滤波法、指数平滑法和移动平均法对小麦单产进行趋势产量和气象产量的分离。结果表明,HP滤波法分离的气象产量与实际产量具有协同变化的特点,且基于该方法分离的气象产量可以准确捕获典型丰歉年气候条件带来的产量变化。2、以实际产量为目标变量,利用随机森林算法筛选出特征数为40的特征集（RY-RF特征集）、以气象产量为目标变量,利用随机森林算法筛选出特征数为30的特征集（MY-RF特征集）和通过Pearson相关分析,利用随机森林算法筛选出特征数为50的特征集（MY-Pearson特征集）。3、分别以3个特征子集作为输入数据集,利用5种回归预测算法（LR、DT、RF、XGBoost和LightGBM）建立小麦产量预测模型。通过对比分析,以RY-RF特征集为模型输入时,基于各算法建立的预测模型精度最高,为最优特征子集;其中基于LightGBM算法的预测模型精度最高,训练集的R~2为0.93,RMSE为364.58;测试集的R~2为0.84,RMSE为572.19,预测结果与真实值最为接近。该模型可发现与运城市小麦产量密切相关的特征因子,为该地区小麦产量的准确预测提供参考,具有一定的实际应用价值。