本文以2002-2005年5-6月（共217天）中国气象局的T213模式和日本细网格降水模式48小时预报场等数值预报产品资料为基础，针对模糊神经网络方法本身并不提供如何去选择合适的预报因子的问题，提出了利用粗糙集的属性约简法和条件数计算分析方法对预报因子进行筛选并建立模糊神经网络降水预报模型，进行了广西西南部2006年前汛期（5- 6月）逐日平均降水预报建模研究。 本研究首先对T213模式和日本数值天气预报模式的数值预报产品进行相关普查，最后得到29个预报因子（28个T213因子，1个日本格点降水预报因子），将这29个预报因子作为建立各预报模型的基本因子群。利用粗糙集的属性约简法对初选的29个预报因子进行处理，通过分析因子属性的重要性，剔除不必要的因素，在不改变决策结果的前提下，分别选出9个预报因子和10个预报因子。并用这两组数据作为模糊神经网络预报模型的输入矩阵进行了2个月的逐日平均降水量的预报建模试验，所得2个月56天（缺5天为数值预报产品因子资料缺测）降水的独立样本预报平均绝对误差分别为5.81 mm（9个因子）和5.37 mm（10个因子）。同样利用条件数方法计算分析了29个预报因子的复共线性关系，分别选出9个预报因子和10个预报因子，作为模糊神经网络预报模型的输入矩阵进行逐日平均降水量的预报建模试验，所得2个月56天降水的独立样本预报平均绝对误差分别为5.73 mm（9个因子）和5.85 mm（10个因子）。同时利用中国气象局T213数值预报模式和日本模式的预报平均绝对误差分别为8.74 mm，5.75 mm。由上可知，4种情况的模糊神经网络模型的降水预报结果都好于T213模式输出结果。预报精度总体比T213有明显提高，并且与目前业务预报中口碑较好的日本模式相当，具有一定的实际预报应用价值。 本研究同时运用目前国内外普遍采用的预报方法即传统的逐步回归方法进行了预报建模的对比试验，试验中所采用的预报因子与上述两种方法所依据的初选预报因子群完全一致。为了保证对比的合理性，试验通过对F值的控制，建立了不同预报因子的逐步回归预报方程。由预报试验的对比得到，在建模样本和独立预报样本完全相同的情况下，逐步回归预报方法对两个月56天降水的独立样本预报平均绝对误差为7.21 mm（9个因子）和6.09 mm（10个因子），相比之下要大于采用属性约简和条件数法选择预报因子建立的模糊神经网络预报模型的预报误差。逐步回归方法之所以预报精度不高一方面主要是由于在建模时只考虑了对回归模型有显著性影响的预报因子，而没有考虑预报因子之间的复相关关系等信息，从而影响了预报模型的预报能力；另一方面由于大气降水预报受到大气运动的热力、动力、水汽条件等综合因素的影响，具有明显的非线性变化特点，逐步回归方法不能反映预报因子与预报量之间的非线性关系，最终导致预报结果不如模糊神经网络模型。 本研究在建立模糊神经网络降水预报模型时采用的是前馈型模糊神经网络，并利用前馈网络的BP算法来调整参数。前馈型FNN采用的是多层前向神经网络结构，可实现模糊映射关系。综合分析以上结果，论文提出的采用粗糙集属性约简和条件数计算分析2种方法，提取数量较少的几个预报因子来构造模糊神经网络输入矩阵，使模糊神经网络模型输入节点大大减少，并有效减少节点之间重复信息和噪声输入，起到了显著的降维去噪作用。在实际的水文、交通、经济和地质灾害等许多方面预报建模研究中，都会遇到面临众多初选预报因子，而如何从中选择更合理的预报因子组合的问题。因此本文的研究结果对相关研究领域的预报建模研究和应用具有很好的应用推广前景。