粮食一直是人们赖以生存的生活与生产的资料,是保障人们存活的必要条件,如果没有粮食,全国乃至世界的政治、经济、社会安全将收到巨大威胁,而保障粮食安全则是解决这一危机的关键。随着2020年以来全球各地的蝗虫灾害、火山灾害、新冠肺炎疫情、英国正式脱欧的影响,粮食产量下行压力较大,全球粮食安全形势不容乐观。为了应对这种粮食不安全的危险情况,提高应急能力,近些年来对粮食安全预警系统的研究取得了一定成果,由原有简单计算的单一指标方法,发展到综合指标方法,还出现了运用计算机领域算法的预警系统,但是由于预警系统本身是庞大的,并且各个因素相互关联,还存在指标标准本身的模糊以及分类理念的不同,造成了当下粮食安全预警系统的过于简单,并且没有统一且切合实际的有效系统用到粮食安全预警。机器学习近些年大范围兴起,并且应用到各个领域,所以,将机器学习中的模型应用到粮食安全预警系统的构建上是解决当前困境的好方法,并且发现其具有较强适用性。在运用主成分分析法的基础上从总产量、成灾面积占受灾面积比、化肥施用量等10个变量中选取总产量、粮食播种面积、耕地灌溉面积、粮食出口量占主要农产品出口量比例、粮食储备率共5个有效警情指标用于预警系统的构建。根据经济预警理论,确定警情指标的警限与警度划分,制定警报触发机制。然后,运用SVR模型构建2000年-2016年的粮食安全预警系统,并且分析了每年的粮食安全状态,与每年的实际情况对比,得出该预警系统十分有效的结论。最后,对提高粮食安全预警系统有效性提出对策建议,主要包括打造粮食大数据链条、建立粮食安全预警运行平台、参与全球预警安全治理三个方面。