长久以来对气候和降水量的预测多采用统计分析学、数值天气预测或插值拟合等方法,着重历史数据和未来数据间的非线性关系,计算量大而且预测结果不能让人满意。虽然这些方法在气候预测领域中也有一定的优势,但因为这些方法需要计算出时间以及数据问的函数关系,这就等于把各种气候变化规律化和模式化。然而降水量是一个复杂且时变性很强的过程,往往很难得出具体函数,虽然现在引入的卫星遥感和计算机技术对预测的精度有了一定的改进,但还需进一步提高。　　 人工神经网络作为一种新兴技术引起了人们的广泛兴趣,被广泛应用于控制及时间序列分析等多方面。它是分布式并行信息处理的算法数学模型,具有很强的非线性拟合能力,可映射任意的、复杂的非线性关系,而且其结构和学习规则简单。是一个具有记忆力和学习能力强大的系统,这使得神经网络在国民生产生活中有很大的应用空间。　　 人工神经网络的预测是一种建立在对输入和输出变量的非线性映射之上,它只和训练样本和目标数据有关,不需要具体的函数表达式,克服了模式化的局限性,还能通过学习、训练过程选择相对最优的网络对目标值进行预测。　　 本文将RBF神经网络模型引入到降水量预测中,因为该模型有较高的运算速度,较强的非线性映射能力,具有最佳的逼近性能,能以任意精度全局逼近一个非线性函数。但如何选择RBF神经网络的重要参数:中心值选择、宽度选择、输出权值计算一直是热门研究方向。本文在传统的方法上引入遗传算法,利用遗传算法和梯度下降算法相结合的方法确定权值进而确定RBF神经网络的结构。用该组合算法进行仿真实验并通过和传统算法得出的结果进行对比。最后建立实际模型将新算法应用于降水量预测中来,并使用MATLAB软件进行仿真。