近年来,随着机器学习技术的不断完善,依据气象数据来预测小麦产量也逐渐有了新的发展。针对传统方法预测小麦产量的局限性,运用机器学习预测核心算法来提高小麦产量的预测精度,将再一次推动气象预测领域的进步。机器学习回归算法通常用于处理“函数逼近”问题,通过特征提取筛选出关键影响因子来构建预测模型。本文基于机器学习回归算法对小麦各性状及产量的气象预测技术进行研究。以周口市农业科学院遵循国家区试标准的小麦生育期各性状及产量的农业数据,以及相对应的基于地面气象观测点采集的气象数据为研究对象,共收集2007至2017年近10年间的部分数据内容,经数据预处理、显著性检验等操作,研究基于机器学习算法的小麦产量气象预测模型,实现对小麦的气象综合分析。文章通过皮尔逊相关分析来筛选关键影响因子,具体包括影响小麦产量的关键性状因子相关分析、影响小麦性状的关键气象因子相关分析和影响小麦产量的关键气象因子相关分析。在机器学习回归算法的基础上,建立基于K近邻、支持向量机回归、线性回归、决策树、随机森林、梯度提升树六种算法的预测模型,来实现小麦产量及其各性状的气象预测。经调参后,分析不同模型的预测效果,通过均方误差和均方根误差等性能指标展开评价。结果表明,使用线性回归模型效果较好,预测模型的均方根误差仅有0.027058。通过学习曲线对模型进行拟合判断,得出线性模型存在“过拟合”问题,引入岭回归和套索回归两个惩罚线性回归模型,并对其进行超参数遍历,选取alpha为0.00009时的Lasso模型进行小麦产量气象预测,此时模型均方根误差仅达0.000159。说明在小麦产量的气象预测方面的研究使用机器学习算法是可行的,且能够有效提高预测的精度,减少误差。