目前，人工智能和模式识别技术已经在各个具体领域得到广泛的应用。本文所做的研究工作，正是围绕着“样本特征提取和沙尘暴的预报”这一具体问题，利用人工智能和模式识别技术展开研究的。首先，从沙尘暴和非沙尘暴样本在四个基本物理场上反映出的特点出发，选出用于建模的代表性样本，通过对主成分分析结果的研究，设计出特征综合方案，形成兼顾各个主成分的“总量特征”。利用这种特征综合方法，实现了对40维样本进行再次的特征提取，最终形成10维更为合理的建模样本。然后，展开基于模糊神经网络的沙尘暴建模方案研究，并从网络的拓扑、训练参数、样本集合等方面对模型进行优化，使对沙尘暴的预报达到了一定的预报效果。本文对基于模糊神经网的预报结果展开进一步研究，指出影响预报准确率的主要因素是训练样本中含有为数较多的非典型性样本。于是，通过聚类建立非典型样本区，再构建基于非典型样本的统计模型，并设计出一种兼顾模糊神经网预报结果和样本非典型程度的沙尘暴隶属度调整方案，使建立在模糊神经网预报（1级）结果之上的统计模型再预报（2级），在基本不影响1级报对率的前提下，纠正了相当比例的报错样本，与文献[5]的基于40个特征的神经网络相比，本文提出的模糊神经网与统计模型的联合预报方案，使沙尘暴的报对率从60%提高到73.3%以上，CSI值也由25.9%提高到38.7%，预报效果得到明显改善。最后对建立预报系统中遇到的问题作了总结，并提出了特征重构、集成神经网络、神经网络与专家系统结合的解决方案，同时就沙尘暴的动态预报问题提出了实现框架。