干旱是世界上最严重的自然灾害之一,旱灾的频繁发生对我国农业的可持续发展产生了极为不利的影响。东北地区作为我国的粮食主产区受干旱的影响尤为严重。研究干旱特征及建立干旱预测模型是减灾防灾的重要手段之一。本研究基于游程理论分别利用中国Z指数(CZI)、标准化降水指数(SPI)、标准化降水蒸散指数(SPEI)和干旱侦测指数(RDI)识别了东北地区的干旱频率、历时、强度及干旱事件类型,并对比分析了它们的适用性。然后利用Mann-Kendall趋势分析法、Copula函数、小波分析法和扩展的傅里叶振幅敏感性分析法分别对东北地区的干旱频率、历时和强度的变化趋势、干旱重现期、干旱特征的周期变化规律以及干旱对气象因子的敏感性进行了研究。此外,还建立并对比了多种基于惩罚线性回归和集成方法的干旱预测模型表现,遴选出基于机器学习方法的最优干旱预测模型。最后,建立了一种新的基于深度学习技术的长短期记忆网络(LSTM)干旱预测模型,并对比分析了其相对于结构相似的传统多层感知机(MLP)模型的性能优势以及改善其预测表现的方法。主要研究成果如下:(1)干旱指数在东北地区的适用性研究。东北地区基于SPI、SPEI和RDI的干旱频率、历时和强度在时空分布特征上相对一致,而SPEI与相应的NDVI表现出了最显著的正相关关系,同时基于SPEI的干旱事件类型也符合东北地区历年干旱记录中春旱和秋旱较多的特征,所以SPEI是本研究中最适合评价东北地区干旱状况的指数。此外,时间尺度对基于SPI、SPEI和RDI的干旱频率、历时及强度有比较明显的影响且它们在不同时间尺度下的变化基本一致。(2)东北地区干旱时空演变特征分析。基于游程理论的东北干旱频率和历时表现出下降趋势,而干旱强度表现出上升趋势,但它们基本上都不具有显著性。东北地区西部、黑龙江省和辽宁西北部的干旱风险较高,而辽宁省东部和吉林省南部的干旱风险较低。干旱频率、历时和强度均表现出多周期叠加震荡的周期性特征,主要周期在1963～2015年的研究期内基本上呈现出“长-短-长”的变化规律,最显著的主周期是33～40a。干旱受降水量的影响最大,此外温度、相对湿度和风速的影响也比较重要。(3)基于机器学习方法的干旱预测模型研究。建立了多种基于惩罚线性回归和集成方法的干旱预测模型,对3、6、12和24个月时间尺度上的SPEI进行预测。惩罚线性回归模型具有比传统最小二乘回归模型(OLS)模型更好的预测表现,其中拉索回归(LR)模型的预测效果最好。集成方法可以提升决策树(DT)模型的干旱预测精度,特别是随机森林(RF)模型的提升效果显著。基于惩罚线性回归的LR模型在干旱预测过程中的表现全面优于RF模型,它是本研究中基于机器学习方法的最佳干旱预测模型。(4)基于深度学习方法的干旱预测研究。基于LSTM的干旱预测模型在对各时间尺度SPEI的预测过程中都具有较好的预测表现,尤其适合预测较长时间尺度的SPEI。它的预测性能全面优于与其结构相似的MLP模型,而且该模型具有良好的鲁棒性和泛化能力。调整LSTM模型的训练参数和网络结构可以小幅度提升预测精度,但更加复杂的网络结构不一定会提升预测表现,反而会影响模型的运算速度。