背景:干旱是造成严重社会经济损失的重大自然灾害。长期的变化特征有助于我们全面地认识气象干旱的发生、发展。区域干旱预测可以为抗旱准备、农田灌溉提供重要信息。但是现在的干旱预测主要基于单个气象站点,因此需要提出一种新的多站点干旱同时预测的新模型。了解干旱对植被的影响机制可以帮助我们缓解干旱对农作物的危害。目的:本研究的主要目的包括探究陕西省气象干旱近几十年来的长期变化趋势;优化干旱预测中预测因子的筛选过程,并且利用陕西省1961-2016年32个气象站点以往的干旱指标、气象变量和气候指标建立干旱预测的新模型;并初步分析干旱对植被指数的影响。方法:首先,我们采用Mann-Kendall趋势检验法分析陕西省干旱的频数、持续时间和强度的变化趋势。在干旱的预测模型中,我们采用并且比较了交叉相关函数和分布滞后非线性模型（Distributed Lag Nonlinear Model,DLNM）两种方法在筛选预测因子和决定最佳滞后阶数方面的表现。然后,我们构建了DLNM、人工神经网络模型（Artificial Neural Network,ANN）和 XGBoost模型,比较三种模型提前1-6个月预测标准化降水蒸散指数（Standardized Precipitation Evapotranspiration Index,SPEI）以及干旱等级的效果。在植被指数对干旱的响应中,我们首先基于32个站点计算三种植被指数和4个时间尺度下的干旱指标的相关系数,然后采用克里金插值方式得到整个陕西省的相关系数分布图。结果:除了个别站点,陕西省近56年来干旱发生的频数、持续时间和强度不存在明显的变化趋势。DLNM在选择预测因子和决定最佳滞后阶数方面优于交叉相关函数。在提前1-6个月预测SPEI时,XGBoost模型比DLNM和ANN模型效果更好。在3-、6-、9-和12-这4个时间尺度下,模型交叉验证的R2分别为 0.68～0.82、0.72～0.89、0.81～0.92 和 0.84～0.95。此外,基于 SPEI₁2,XGBoost模型对总体干旱和具体三个干旱等级（即中度干旱、严重干旱和极端干旱）的预测准确性分别为89%～94%、89～94%、88%～95%和89%～97%。三种植被指数中,植被健康指数与SPEI的相关性最强,并且在陕西省大部分区域为正相关。结论:我们对多站点干旱预测提供了一种新的建模策略。在XGBoost方法中引入预测因子的非线性和滞后效应,可以显著提高SPEI和干旱类型的预测精度。通过对比三种植被指数与干旱的相关性,为采用遥感植被指数监测干旱提供了新思路。