自2019年12月中旬以来,从武汉开始逐渐出现多名“不明原因肺炎”患者,后经确认是一种新型冠状病毒引发的传染病,经世界卫生组织（WHO）宣布,新型冠状病毒定名为“COVID-19”。疫情自发现以来迅速在全国范围内蔓延,全国各个地区开始启动防疫政策,例如武汉采取了封城的措施应对疫情蔓延。在2020年3月份,世界其他的国家也开始大面积爆发疫情,疫情形势越发严重。因此,在近年疫情大背景下,准确预测疫情发展趋势以及同步监测疫情发展现状,对于帮助政府部门制定疫情防控政策有重要意义。目前,对于COVID-19疫情的趋势预测模型多为传染病动力学模型,模型一般以SEIR模型以及其拓展模型为主,但是由于COVID-19疫情的特殊性,各地方有多种防疫措施,因此疫情发展普遍具有阶段性,用传染病模型带入的预测结果与实际值相比有一定误差,预测结果精确度差。为了解决上述问题,本文做了如下工作:（1）对传染病模型的分析。建立多个经典传染病模型,如SIS模型、SEIR模型。结果表明传染病模型预测趋势和实际真实值偏差较大,对传染病模型的局限性进行分析后,认为其预测结果不能满足本文的预测需求,因此接下来使用机器学习下的回归算法建立预测模型并展开研究。（2）预测模型的改进,加入滚动预测方式提高机器学习下三种回归模型精确度,解决了传染病模型因缺少变量导致预测精确度差的问题。选择数据集为湖北省疫情数据,因变量为累计确诊人数,选择多项数据不同天数的滞后值、累计死亡人数、累计治愈人数和医疗资源等为自变量,用平均绝对值误差（MAE）和均方根误差（RMSE）作为模型精确度的评价标准。通过综合对比分析,多元线性回归模型预测效果最好,其MAE值为51.185,RMSE值为58.38。接着对原始模型加入滚动预测方式进行改进,多元线性回归模型的MAE指标显示精确度提高了66.38%,RMSE指标显示精确度提高了67.09%。（3）系统实现及测试。对系统进行需求分析、架构设计,将系统分为数据层、逻辑层和可视化层,完成系统不同模块具体设计内容,然后使用HTML、Pyecharts等方式完成系统平台搭建,实现系统数据与用户的动态交互功能。最后,对系统进行常规测试和数据测试,随机抽取时间点测试其后20天预测数值与实际值的误差,结果显示系统预测误差极小,符合本文研究的疫情监测系统。