强震前电离层前兆异常已经被大量的统计研究结果和震例研究结果所证实，地震电离层前兆观测已经成为地震短临预测的有效手段之一。面对庞大的电离层数据，传统的数据处理方法已经力不从心，将数据挖掘方法引入到分析电离层电磁异常现象中来是技术发展的必然趋势。论文结合法国DEMETER卫星数据，基于神经网络数据挖掘方法研究了磁暴和大地震电离层前兆异常进行预测的方法，讨论不同参数条件对训练结果的影响，主要完成如下工作：针对卫星数据分布不均匀问题，应用时间换空间的概念，对DEMETER卫星原始数据进行了预处理，牺牲时间分辨率将一维时间序列数据转化为二维空间图像。这一处理方法可有效减小数据样本集分布的不对称对神经网络训练结果的影响。通过均值、插值计算等方法实现去噪、平滑和填补缺失值；进而通过计算标准差、门限分割将原始数据转化为0-1图等操作凸显异常值。将预处理后的标准差以及标准差和值和门限分割后的二值图分别作为神经网络的训练样本考察数据样本对训练结果的影响。针对磁暴这一电离层较为常见和显著的电磁辐射现象，采用磁暴电离层异常数据样本，研究了不同分辨率条件下和不同的数据预处理方法获得的样本集，以及不同的网络拓扑结构和网络参数对神经网络预测性能的影响。试验结果表明数据样本选择标准差和值，神经网络选择双隐层、变速率学习方法的误差反向传播（BP）神经网络时，磁暴的预测正确率可达到80%，有较优的预测结果。针对地震电离层扰动的复杂性，论文利用神经网络对未知模型的可预测性优势，研究了基于神经网络的地震前兆预测方法，通过数据样本与地震准备区电离层异常数据的对应性分析，研究预测有无地震问题。并进一步运用误差反向传播神经（BP）网络和径向基(RBF)神经网络分析电离层参数与地震的“关联程度”，两种网络得出了一致的结果：电子密度和离子密度与地震的“关联程度”要高于电子温度和离子温度这两个参数，这与一些权威文献震例研究结果相吻合，验证了本论文所采用的数据处理方法的有效性。试验结果也表明，在预测方面，RBF神经网络的准确率要高于BP神经网络。