夏季西太平洋副热带高压脊线（以下简称西太副高脊线）南北位置是决定中国东部雨带移动的重要大气环流指数。目前,传统统计方法和数值模式方法对六月西太副高脊线指数提前三个月的预测技能还不理想（相关系数小于0.5）。近年来,已有一些研究表明利用机器学习方法可以显著提升气候预测技能。因此,本论文研究如何利用机器学习方法预测西太副高脊线、提升提前一个季度预测六月西太副高脊线的预测技能。不同于其它“大数据”领域,机器学习方法用于气候预测面临两大问题:1)稳定性问题。主要原因是观测样本量偏少;2)可解释性问题。预测模型呈现的输入预报因子与输出预报量之间的关系不能违背已有的气候背景知识。本论文研究基于前期秋、冬季海温预测6月西太副高脊线指数的机器学习方法。由于观测样本量较少（仅有几十年）,采用简单的浅层神经网络模型获取输入预报因子（即前期海温）和输出预报量（即脊线指数）的非线性统计关系。此外,为抑制气候小样本引发的过拟合问题,根据脊线高、低值海温合成图,人工扩充了一些训练样本。为避免数据集划分时的样本非均衡性,采用“留一法”和设置“提前终止”阈值初步训练模型并选择最优超参数。为了提升模型稳定性和预测技能,对权重初始化种子进行筛选。最终的预测模型评估表明,脊线指数预测值与相应观测值之间的相关系数在0.6左右,约五分之三的异常年（脊线指数明显偏高或偏低的年份）得到了成功预测。可解释性分析表明,脊线指数对前期海温的敏感性空间特征与气候背景知识（即脊线与前期海温的线性相关关系）比较一致。稳定性分析表明,预测技能评分几乎可重复,脊线指数预测值较为稳定。综上所述,该预测模型具有一定的实用价值,能够用于气候预测服务。