沙尘暴历史数据集具有场分布，维度高，数据量大的特点。而数据挖掘正是用来从大量数据中发现感兴趣的知识从而支持决策的良好方法。因此本文研究的主要内容就是如何用数据挖掘技术来进行沙尘暴的智能预报。围绕该项研究内容作了如下工作： 1采用主成份分析和改进的聚类方法完成了数据样本的降维。两种方法的性能都比原有降维方法有较大提高。主成份分析方法在保证性能的前提下，运算简单，能在很短的时间内完成处理。改进的聚类方法是本文提出的一种将聚类与综合预报模型相结合的降维方法，在这几种降维方法中，其效果最佳。 2本文采用改进的BP神经网络，k-最近邻法和支持向量机等方法建立了沙尘暴预报模型。改进的BP神经网络使用Levenberg-Marquardt(LM)算法，权值训练过程具有快速收敛性，并获得最好的预报性能。k-最近邻法在保持较高的预报性能的前提下，具有最好的稳定性。支持向量机只是初步实现，虽然效果不甚理想，但表现出很好的避免过拟合能力，具有进一步改进的空间。 3本文采用Bayesian规则化泛化技术对LM网络进行了泛化，消除了随机权初值对性能造成的不稳定的影响，成功地使LM网络的CSI值稳定在一个很小的范围，增强了系统的稳定性。 论文最后对所得系统的不足，如支持向量机核函数的选择及其参数的调整，进行了总结，并给出了进一步深入研究的方案，即典型样本和非典型样本的剪辑方法。