进入新世纪后,发生在世界各地的恐怖主义袭击带来了越来越严重的后果,伴随的人身伤害和财产损失导致人们失去了安全感。如何及早预测到恐怖主义的威胁并将恐怖主义活动消灭在萌芽阶段成为越来多国家关注的焦点。近年来,越来越多的执法部门、情报机构以及反恐怖分析师开始重视这项工作,这当中最首要的任务是如何从海量信息中找到具有反恐情报预警价值的信息。利用一切可能收集到的信息建成数据库,再利用机器学习算法来识别看似独立的大量信息中隐藏的恐怖主义袭击预警线索。本文研究了基于机器学习的恐怖主义袭击类型预测方法。利用马里兰大学构建的全球恐怖主义数据库(7)GTD(8)作为原始数据源,进行恐怖主义袭击类型的预测实验。然后,针对最大相关最小冗余特征选择算法存在的不足,提出了本文的改进方案,即利用新的评价方式度量特征与类别的关联度,以及特征之间的冗余度。从而选出不同特征空间组成的训练集。通过对恐怖主义袭击类型的分类实验表明,改进后的两种特征选择方法,对于分类器预测恐怖袭击类型的准确度有一定的提升。在基于单分类器对预测恐怖主义袭击类型的基础上,为了提高预测模型的广泛性和鲁棒性,还研究了基于集成学习的袭击类型预测任务。并改进了集成学习中基模型训练数据的特征分布,以及在对类别进行决策时各个基模型的权重系数分配。实验表明,其恐怖主义袭击类型预测的精度平均优于各个基模型的预测效果,从而使得本课题构建的恐怖主义袭击类型预测模型更具健壮性和应用性。