利用卫星热红外异常判别技术进行地震预测的研究已有20多年的历史。这些研究方法都是纯手工或半手工的，在分析处理海量的遥感数据具有局限性；并且传统方法对地震三要素的预测并不是十分准确，尤其震中位置的预测。针对上述传统方法中存在的问题，提出一种综合热红外异常颜色、纹理以及浮现频率等特征来自动预测地震的新方法。该方法将地震预测问题转化为人工智能中的目标识别问题。本课题从热红外目标识别与检测的角度出发，寻找出一个可实施的热红外异常自动检测处理流程。该流程分为图像增强、纹理特征提取、目标识别、目标跟踪四大步骤。本文通过深入对比分析各个步骤中的各种处理方法的优点和缺点，选择合适的目标处理方法（能够较为完整提取出热红外异常区域），将它们衔接整合成一个完整的模型。该模型的具体操作如下：首先使用分段线性函数对原始的热红外数据进行增强，再利用灰度共生矩阵对热红外数据进行纹理特征提取，使用BP神经网络模型训练目标神经网络，将纹理特征输入目标神经网络进行识别，提取疑似目标，同时滤掉非目标并跟踪，最后将疑似目标浮现频率超过5次的区域精确定位为目标出现的位置，从而实现智能化和自动化的地震预测。反演实验验证本文中的方法是一种震中位置预测较为准确的中短期地震预测方法。