雾霾天气现象频繁发生,对人们的生活、出行产生不便影响。针对该问题,本文提出对雾霾天气进行预测分析研究。数据预测分析研究是使用各种有效方法对某事件的某发展趋势做出估计判断,已被广泛应用,具有重要的理论研究和实践应用价值。目前大部分的数据预测分析研究方法主要集中在机器学习算法上,支持向量机预测性能优越,故本文基于支持向量机,提出了对支持向量机的改进方法,并实现对雾霾天气的预测。主要从以下方面提出改进研究:首先,从支持向量机的核函数及核参数角度提出改进。提出了启发式智能优化算法优化核参数。启发式智能优化算法具有其他优化算法无可比拟的优势,其中萤火虫算法最适宜支持向量机的参数优化。又因萤火虫算法极易出现早熟收敛现象,故提出对萤火虫算法的初始化种群、移动步长以及惰性粒子的改进,改善其优化的全局收敛能力和局部搜索能力。提出了多核学习改进核函数。多核学习能够将核函数性能发挥到最优,提高数据预测分析模型的准确度和精度。其次,从支持向量机预测分析模型角度提出改进。提出了将模糊支持向量机和最小二乘支持向量机结合,降低预测分析模型的计算复杂度并改善数据噪声对其准确度的影响,避免支持向量机自身存在过拟合问题。第三,从支持向量机预测分析模型的特征选择方法角度提出改进。提出了基于最大信息系数及关联信息熵的特征选择方法。更好的去除冗余特征,减少冗余特征对预测分析模型的影响。提出了集成特征选择方法。增强特征子集的稳定性。将基于最大信息系数和关联信息熵的特征选择方法、基于最大相关最小冗余的特征选择方法和基于搜索策略的特征选择方法集成,得到数据预测分析的最优特征子集。最后,建立融合改进的萤火虫算法和模糊多核最小二乘支持向量机数据预测分析模型,并将其应用到雾霾天气预测领域。实验研究证明,本文所提出的基于启发式智能优化算法（HIOA,Heuristic Intelligent Optimization Algorithm）和支持向量机（SVM,Support Vector Machine）的雾霾天气预测分析研究的改进方法是具有实际意义,预测分析模型的准确度和精度均有提升,预测分析模型的鲁棒性增强,实验结果较为理想。