針對(duì)目前分類(lèi)算法對(duì)降水預(yù)測(cè)過(guò)程存在著泛化能力低、精度不足的問(wèn)題，提出改進(jìn)Adaboost算法集成反向傳播（ BP）神經(jīng)網(wǎng)絡(luò)組合分類(lèi)模型。該模型通過(guò)構(gòu)造多個(gè)神經(jīng)網(wǎng)絡(luò)弱分類(lèi)器，賦予弱分類(lèi)器權(quán)值，將其線性組合為強(qiáng)分類(lèi)器。改進(jìn)后的Adaboost算法以最優(yōu)化歸一化因子為目標(biāo)，在提升過(guò)程中調(diào)整樣本權(quán)值更新策略，以此達(dá)到最小化歸一化因子的目的，從而確保增加弱分類(lèi)器個(gè)數(shù)的同時(shí)降低誤差上界估計(jì)，通過(guò)最終集成的強(qiáng)分類(lèi)器來(lái)提高模型的泛化能力和分類(lèi)精度。選取江蘇境內(nèi)6個(gè)站點(diǎn)的逐日氣象資料作為實(shí)驗(yàn)數(shù)據(jù)，建立7個(gè)降水等級(jí)的預(yù)報(bào)模型，從對(duì)降雨量有影響的眾多因素中，選取12個(gè)與降水相關(guān)性較大的屬性作為預(yù)報(bào)因子。通過(guò)多次實(shí)驗(yàn)統(tǒng)計(jì)，結(jié)果表明基于改進(jìn)的Adaboost-BP組合模型具有較好的性能，尤其對(duì)58259站點(diǎn)的適應(yīng)性較好，總體分類(lèi)精度達(dá)到8l%，在7個(gè)等級(jí)中，對(duì)0級(jí)降雨的預(yù)測(cè)精度最好，對(duì)其他等級(jí)的降雨預(yù)測(cè)有不同程度的精度提升，理論推導(dǎo)及實(shí)驗(yàn)結(jié)果證明該種改進(jìn)可以提高預(yù)測(cè)精度。