本文的研究对象主要为海洋环境中的大气波导。它是大气的一种特殊折射现象,能够改变电波传播的方式和路径,对雷达等通信设备的性能有重要的影响。研究大气波导对日后我军提前获取战场环境电磁信息,掌握战场制电磁权具有重要的军事意义。本文主要围绕海洋上空大气波导的研究做了以下几个方面的工作:（1）基于海洋上空100m-3000m大气修正折射率较难获取的背景,本文第三章介绍了一种基于综合学习粒子群算法（Comprehensive Learning Particle Swarm Optimizer,CLPSO）优化的极端梯度提升（Extreme Gradient Boosting,XGboost）算法—CLPSO-XGboost,首次以低层高度（0-80m）和高层高度（3020-10000m）上的大气修正折射率作为输入来映射填补中层高度（100-3000m）上的大气修正折射率。选取夏威夷地区某沿海测站上空2004-2009年的大气修正折射率廓线数据,划分一定的训练集和测试集,利用Back Propagation（BP）神经网络、传统XGboost和CLPSO-XGboost对该测站上空的大气修正折射率进行填补分析对比,从而验证CLPSO-XGboost算法的填补效果。实验结果表明:CLPSO-XGboost算法不仅在预测精度上相比于其它两种算法提高了许多,并且节省了大量的运算时间,提高了运算效率。尤其是在大气修正折射率廓线的波动处（大气波导发生高度）,CLPSO-XGboost算法能够准确填补出大气修正折射率廓线波动变化并诊断出大气波导高度,体现了其强大的学习和泛化能力。最后,本章利用2004-2009年的探空数据对夏威夷地区某沿海测站上空表面波导和悬空波导进行了气候统计分析,给出了该地区表面波导和悬空波导的平均出现概率、高度以及出现原因,对今后该地区大气波导的研究具有一定的参考价值和意义。（2）目前国内外对蒸发波导高度的预报主要是利用数值预报产品或中尺度海气耦合模式。近年来随着人工智能的发展,机器学习成为解决非线性时间序列问题的重要方法之一。鉴于目前国内外利用机器学习预测蒸发波导高度较少的情况下,本文第四章将支持向量回归机（Support Vector Regression,SVR）和长短期记忆网络（Long Short-Term Memory,LSTM）应用在了蒸发波导高度短期预测问题上。选取夏威夷地区某沿海测站上空2004-2009年的蒸发波导高度时间序列数据,划分一定的训练集和测试集,以连续十个时刻蒸发波导高度时间序列样本作为输入,下一时刻蒸发波导高度样本作为输出,利用SVR和LSTM进行学习训练和预测,并将预测结果进行对比从而验证两种算法的预测效果。实验结果表明:综合考虑时间和预测精度来看,SVR相比LSTM,在保证预测精度的同时又具有更快的收敛时间,显示出了明显的优势。（3）鉴于蒸发波导高度随时间的变化是一个时间序列信号,其中包含各种时间周期的波动以及噪声,直接使用原始蒸发波导高度预测难免会导致一些与蒸发波导高度本身无关的噪声也被包含进来,从而导致部分预测值存在明显的偏离。本文第五章在第四章预测算法的基础上,将经验模态分解（Empirical Mode Decomposition,EMD）分别与SVR、LSTM相结合,构建了两种优化的蒸发波导高度预测算法—EMD-SVR和EMD-LSTM。为验证优化算法的效果,将EMD-SVR、EMD-LSTM应用在第四章中蒸发波导高度预测问题中,并与第四章中的SVR,LSTM的预测结果进行对比。实验结果表明:综合预测精度和收敛时间来看,EMD-SVR算法预测效果要明显优于其它三种算法。该算法在今后实际应用中可依据蒸发波导高度的历史信息提前预测出未来海上蒸发波导高度,对日后我军提前掌握海战场环境中的大气波导信息具有重要的军事意义。最后,利用2004-2009年夏威夷地区某沿海测站上空的蒸发波导高度资料,对该地区蒸发波导高度做出了气候统计并给出了蒸发波导出现的原因,对今后该地区的蒸发波导研究有一定的参考价值与意义。