人工神经网络已经在很多领域得到了成功的应用，但由于缺乏严密的理论体系的指导，其应用效果往往取决于使用者的经验。Hansen和Salamon于1990年开创性地提出了神经网络集成方法，他们证明可以通过简单地训练多个神经网络并将其结果进行合成，就能显著地提高神经网络系统的泛化能力；因为该方法易于使用且效果明显，因此被视为一种非常有效的工程化神经计算方法。 客观气象要素预报在地区天气预报中有非常重要的作用。传统方法一般采用统计分析、MOS预报、经验预报等手段。不同于传统的预报方法，本文采用神经网络技术，在时间序列分析的原理上，通过神经网络集成，建立多模型网络，通过提取历史气象要素观测资料来构造和训练网络模型。主要工作包括以下几个方面： 一、简要阐述了天气预报的几种方法，介绍了迅猛发展的神经网络技术及其在大气科学领域中的应用和前景。 二、介绍了径向基函数神经网络模型结构、泛化能力和常用的学习算法，对多层前馈网络的泛化能力做了研究分析，对目前提高神经网络泛化能力最有效的方法——神经网络集成的一般理论、研究现状与实现进行了探讨分析。 三、针对神经网络在复杂问题中的学习问题，提出基于专家网络的RBF网络模型MRBFN和基于神经网络集成思想的加权模糊隶书度多模型RBF网络FWM。对两种模型给出了算法和仿真实例。 四、利用时间序列分析的原理，引入FWM网络模型，对一定区域内的单站气象要素，建立预测未来多小时内的多种气象要素如温度、气压、湿度、风向风速、能见度等基本观测值的多模型网络。并用实际数据进行了预测研究。 本文研究表明，通过神经网络集成技术，可以有效提高神经网络的泛化能力。集成后的神经网络，更适合在工程领域进行应用。本文提出的网络模型和技术在在气象预报领域的应用取得了良好的效果。应用神经网络对气象要素进行客观预报，可以为预报技术的模式提供了一个新的发展方向。