天气预测本身无论对于国家还是个人都有其特殊的意义，它与军事、农业、航空航天以及人民生产生活都息息相关。人工神经网络自诞生以来经过几个阶段的起伏发展，逐渐体现出其特色和生命力。人工神经网络通过模拟生物体的智能处理过程，在一些无法直接获取函数映射关系的领域内借助计算机来寻找问题的解。 将神经网络应用于天气预测的研究也随着对神经网络本身的研究而开展。天气预测涉及到很多相关信息，到目前为止尚没有一个非常完善的函数原型可以描述，因此比较适合利用神经网络的函数逼近能力来进行预测。作为与英国城市大学智能天气预报合作项目的后续，本文就人工神经网络与天气预测领域的结合进行了讨论，借助于神经网络自身对非线性系统的逼近特性，结合实际应用的特点提出了多模型的解决方案，根据天气的季节时域特性，采用不同的模型进行天气参数的预测。同时本文对多模型边缘预测结果的集成进行了讨论，通过引入隶属度的方式来进行边缘预测信息的整合。 在提出针对多模型的预测方法后，本文进一步结合粒子群的优化算法，针对具体天气预测问题，采用改进的自适应权值调整粒子群优化方法进行了神经网络的训练，并将结果与传统的BP训练算法训练得到的模型的预测效果进行了对比。通过基于上海气象台提供的2000与2001年的实际数据进行的实验，得到采用不同训练算法的模型在降雨量预测方面的优劣分析。对同时采用BP算法的模型与粒子群优化算法的模型进行预测，预测结果的选取进行了讨论。实验的预测结果得到了上海气象局中心台相关专家的肯定。本文最后对基于神经网络多模型的智能天气预测的应用，提出了发展和改进的方向。