地球自转参数是实现天球坐标框架和地球坐标框架相互转换的必要参数。极移参数作为地球自转参数的一部分，受多种不确定激发源的影响，其趋势项和各个周期项都具有时变性的特点；另外，还包含有各种不规则的高频变化，这都给极移参数的高精度的预报工作带来不少的挑战。因此，对极移参数预报的相关理论和算法研究，建立更合理、更有效、更高精度的预测模型，为卫星导航、深空探测等实际应用提供可靠的预测算法有着重要的意义。本文研究了适用于极移短期预报的模型与方法，主要工作内容如下：　　1.介绍了有关地球自转的基本理论、极移的测定的手段和方法和极移的各时间尺度分量以及引起这些尺度分量的可能存在的激发源。然后，研究分析了极移预测的几种常见预报方法，包括最小二乘方法、自回归滑动平均模型法、人工神经网络法以及卡尔曼滤波方法。　　2.考虑极移数据序列的时变特性，本文在利用最小二乘拟合周期项时，对极移数据序列进行时频分析，将得出各周期项的具体数值运用到最小二乘模型当中。此外，本文研究了最小二乘模型的最佳数据长度的确定方法，分析了在极移短期预报中的数据长度对预报精度的影响。表明，最佳数据长度的选取与最小二乘拟合模型不同的参数化方案有关，最佳数据长度并非越长越好，应尽量覆盖最小二乘拟合模型项的整数周期，同一最小二乘拟合模型参数化方案选取的最佳数据长度也会随时间缓慢且有规律的变化，这就需要利用最新的极移观测资料分析确定最小二乘拟合最佳数据长度，以期提高模型预报精度。　　3.将序贯平差引入到利用最小二乘模型对极移参数的预报过程中，将已经解算出的模型参数作为观测数据和新的观测数据一并进行解算平差，对原来的平差参数不断进行修正改进，得出最新的模型参数，提高了解算的稳定性和运算效率。探讨了利用状态空间模型表示的动态系统，将自回归模型写成状态空间模型的形式，并利用卡尔曼滤波算法对其模型系数进行动态参数估计，得出最优的模型系数，并将其运用到极移短期预报中残差项的预报当中，与单独利用自回归模型得出的预报结果相比精度更高，从而整体上提高了极移短期预报精度。