近年来,优化算法理论和应用迅速发展,相关技术被广泛应用于改进传统的降水预测模型,提高预测精度是科研和业务中提升管理水资源决策可靠性的迫切需求。因此,如何科学合理地改进传统的数学模型以提高降水预测精度成为一个亟需解决的问题。本研究基于吉林省2016—2020年50个城市降水量和地面常规气象要素的日值数据,以研究分析吉林省不同等级降水的时空特征为基础,采用灰狼优化算法及差分进化算法优化支持向量机的参数,对选取的站点进行降水发生和降水等级的预测,主要研究内容如下:（1）将吉林省日降水资料划分为小雨、中雨、大雨及暴雨,统计不同等级的降水量、降水日数特征;运用一阶偏相关系数对不同等级降水量与总降水量、总降水日数、总降水强度相关性进行分析;研究分析夏季50个站点不同等级的平均累积降水量、降水日数、降水强度的空间分布特征及其影响机制。（2）基于支持向量机、灰狼优化算法与差分进化算法的基本原理和算法特点,将DE算法的变异操作引入GWO算法中,建立GWO-DE-SVM组合模型以优化支持向量机的参数C和g,构建降水发生预测模型及不同等级的降水预测模型。（3）为了验证GWO-DE-SVM模型的适用性,首先对吉林省不同气候类型的站点进行影响因子的选择,然后采用SVM、GWO-SVM和GWO-DE-SVM模型基于吉林省降水相关气象数据进行降水发生预测,最后选取准确率和F1分数统计指标进行模型的评估。实例结果显示,经过DE算法优化后的模型预测精度更高,具备更好的泛化能力,准确率均大于80%。（4）通过将吉林省降水等级分为小雨、中雨和大雨三大类,根据分等级降水预测检验评估方法,将TS评分、ETS评分、空报率和漏报率四个指标详细分析GWO-DE-SVM模型在不同等级的降水预测技巧,并将其与SVM、GWO-SVM模型在小雨、中雨、大雨中的预测结果进行对比。实例结果显示,本文提出的GWO-DE-SVM模型在不同等级降水预测模型中TS评分均高于其他单一模型,在小雨、中雨和大雨里最高值可达0.6。随着降水等级的增加,降水数据减少,但GWO-DE-SVM模型的预测精度仍比其他模型要高,更加说明本文模型的适用性。