蒸发波导是海面经常出现的一类特殊大气层结,对电磁波的衰减和传播路径有重要影响,准确及时地预测蒸发波导高度（Evaporation Duct Height,EDH）对于海上电磁通信设备的有效应用具有重要意义。针对基于Monin-Obukhov相似理论建立的蒸发波导理论模型诊断误差较大的问题,充分挖掘蒸发波导实测数据特征,利用机器学习算法开展蒸发波导高度诊断模型研究,主要研究内容包括:1.针对水文气象要素与蒸发波导间具有一定相关性,且各水文气象要素间存在一定相关性的特征,提出了主成分回归（Principal Component Regression,PCR）蒸发波导模型（PCR模型）。实验表明,相比于最优理论Naval-Postgraduate-School（NPS）模型,PCR模型的诊断精度有了一定程度提升,且对数据量依赖性较小,模型较稳定,易于建模与应用。但本质上PCR模型为线性回归模型,蒸发波导高度的诊断精度提升较为有限。2.为进一步提升蒸发波导模型诊断精度,针对实测数据特征值较少,数据量较小,且属于表格结构化数据,提出梯度提升树（Gradient Boosting Decison Tree,GBDT）蒸发波导模型（GBR模型）和极端梯度提升（e Xtreme Gradient Boosting,XGBoost）蒸发波导模型（XGB模型）。实验表明,XGB模型综合性能优于GBR模型。就XGB模型的平均RMSE和SCC而言,相比于NPS模型,RMSE降低了58.1%,SCC提升了31.7%;相比于PCR模型,平均RMSE降低了46.2%,SCC提升了21.7%;相比于现有的MLP模型,平均RMSE降低了39.8%,SCC提升了29.7%;相比于GBR模型,RMSE降低了15.9%,SCC提升了7.8%。且相比于现有MLP模型,XGB模型的泛化能力提升显著。3.针对实测数据具有典型的时序特征,利用长短时记忆网络（Long Short Term Memory Network,LSTM）构建LSTM蒸发波导模型（LSTM-EDH模型）。实验表明,LSTM-EDH模型能够有效的学习蒸发波导实测时序数据的内部潜在规律和前后长期依赖。相比于XGB模型,LSTM-EDH模型的平均值RMSE降低了47.2%,平均SCC提升了13.3%,且泛化能力更强。针对航测时序蒸发波导数据,优势突出的LSTM-EDH模型较好地解决了目前理论模型诊断精度不高的问题,为蒸发波导高度的预测提供了一种精确可靠的技术手段。