在面临灾害性天气时,对即将发生的闪电事件给予精准的预报预警,可以使各行业因闪电灾害而产生的人员伤亡及运营损失得到有效的预防或减少。传统上,研究者利用获取的气象资料信息,开展了一系列闪电预报预警工作。近年来,数据已成为各行业中重要的生产因素,机器学习作为与“大数据”应用结合的最佳方法技术,在各种建模预测的工作中,相比传统方法,取得了的突破性进展与性能表现。在此情形下,本文基于气象部门与行业发展大数据应用的先天优势和迫切需求,将机器学习方法引入现有的闪电预报预警技术中。首先,利用在ERA5中选取的与闪电发生具有较好相关性的气象特征数据与网格化统计的闪电频次数据,基于集成算法XGBoost构建了高性能的闪电预报模型,在对闪电发生与否的基础预报中,得到的预报命中率POD为90.41%,虚警率FAR为7.46%,临界成功指数CSI为84.27%,技巧评分TSS为0.83,其性能表现相较于传统研究中所提出的模型方法得到了明显的提升,并在此基础上进一步实现了关于闪电频次区间的多分类预报。随后,利用同样的ERA5数据与网格化统计的平均闪电幅值数据,基于Stacking模型融合的方法构建了关于闪电幅值的预测模型。在研究中,将前期构建的5个用于闪电幅值预测的单一模型进行融合,从而得到最终的预测模型。经过融合后的模型对1～100k A区间闪电幅值预测的平均RMSE为10.96296,在0～50k A幅值区间下的预测RMSE达到了6.47134,在数据充分的条件下初步实现了模型对闪电幅值的预测性能。最后,构建了输出结果具有时空特性的强对流预警模型。研究基于循环神经网络,使用改进的神经元、双层网络结构与加权的损失函数,通过前2h的历史回波数据来预测未来1h内的回波形态与移动轨迹,来实现相关的预警工作。经过训练后的模型可以有效的预测出后续回波的生消以及反射率数值的分布变化,在30min的时效内能够较好的预测40d BZ以上区域的回波特征。根据以上的研究,证实了机器学习方法技术运用在闪电预报预警中的可行性及有效性。