沙尘暴是一种灾害性天气,它的到来给国家的经济和人们的生活带来了巨大的危害,沙尘暴的预报预警问题早就引起了国内外研究者们的关注。本文选用支持向量机方法,选取了合适的预报因子和数据集,建立了基于支持向量机的沙尘暴预报模型,并对模型中的核函数以及各参数进行了优化。研究结果将有益于实现单个气象台站的沙尘暴预报预警,为相关部门进行防沙减灾提供了科学依据。本文的主要研究内容如下：(1)利用气象台站的日值数据和NCEP格点场的格点数据,设计了基于支持向量机的沙尘暴预报模型。并且针对模型中使用单一核函数的局限性,利用组合核函数对传统模型中的核函数进行了优化,提出了一种组合核函数支持向量机模型。仿真实验结果表明,本文提出的组合核函数支持向量机预报模型提高了预报的准确率,其成功界限指数比单一核函数支持向量机模型高出了大约2.79%。(2)针对不平衡数据会导致支持向量机模型的分类超平面向少数类倾斜的问题,本文提出了一种处理不平衡数据的自适应空间混合采样算法－SRU-AIBSMOTE算法。该算法可以根据数据集内部不同类型样本分布的真实情况,自适应地调整近邻选择策略,在边界少数类样本及其近邻样本构成的n维球体空间内进行随机插值,以产生虚拟少数类实例。并结合随机欠采样算法,去除样本中的冗余数据,减少数据的不平衡程度。仿真实验说明和其他的混合采样算法相比,经SRU-AIBSMOTE算法处理过的数据具有更好的分类效果。(3)针对传统支持向量机在参数择优方法上存在的不足之处,本文分别使用网格划分法,遗传算法和粒子群算法对组合核函数支持向量机模型进行参数择优。实验结果表明无论是在择优时间还是择优后模型的预报精度上网格划分法,遗传算法和粒子群算法都优于手动调节寻优法,其中在精度要求较高的情况下粒子群算法择优效果最好。