可靠的短期或者长期降水量预报不仅可以为旱涝灾害预警提供关键信息,而且对于水资源管理,农业耕种以及生态环境建设有很大的参考价值。然而,降水是一个复杂的非线性大气过程,具有空间和时间依赖性。因此,了解降水的复杂性和可预报性,并在月或季节尺度上准确地预报降水量具有一定挑战性。为了提高月降水量的预报精度,本文提出了基于数据分解的最小二乘支持向量机(LSSVM)月降水量预报模型,并利用长江流域138个气象观测站1960-2012年逐月的降水量资料以及11个大尺度气候指数,对长江流域各站点分别进行了月降水量预报研究。其中,1961-2002年的数据用于训练模型,2003-2012年的数据用于测试模型。首先,通过计算预报因子与标准化月降水量之间的偏信息(PI),来选取预报因子的最佳滞后期以挑选最佳模型输入。然后,利用差分进化(DE)算法优化最小二乘支持向量机的模型参数,以构建LSSVM月降水量预报模型。为研究数据分解方法对LSSVM模型预报性能的改进,本文利用经验模态分解(EMD)或者离散小波变换(DWT)分别对原始序列进行分解再耦合LSSVM模型以分别构建EMD-LSSVM和DWT-LSSVM月降水量预报模型。同时,多元线性回归(MLR)作为参考模型以评估LSSVM、EMD-LSSVM和DWT-LSSVM模型的预报性能。通过比较各模型的预报值与实测值之间的纳什系数(NSE)和相对误差(RAE),及这些评价指标的空间分布格局,以评价所提出模型的预报精度。结果表明:(1)四个模型的预报结果在空间上具有相似的东-西分布格局,模型的预报性能在长江流域西部地区最优,而在东部地区的预报精度比较低,这与降水随机性的空间分布有很强的相关性,即随着降水随机性的增大,各模型的预报精度随之下降。随着降水熵值的增加,EMD-LSSVM和DWT-LSSVM模型预报性能的下降速度慢于LSSVM模型和MLR模型。因此,耦合数据分解的模型可以改进东部地区降水随机性较高的站点的降水量预报精度。(2)四个模型对长江流域月降水量预报均给出了合理的结果但预报性能各有不同。其中,LSSVM模型预报结果中有大约60%的站点具有较高的纳什系数和较低的相对误差。在超过88%的站点,EMD-LSSVM模型和DWT-LSSVM模型的预报精度比LSSVM模型高。相较于LSSVM模型,EMD-LSSVM模型和DWT-LSSVM模型分别仅在11%和5%的站点上的预报精度比LSSVM模型低。(3)相较于LSSVM模型,EMD-LSSVM模型和DWT-LSSVM模型分别对39%和28%降水随机性较高的站点的预报结果具有显著的改进。同时,大约在60%的站点,EMD-LSSVM模型显示出比DWT-LSSVM模型更优的预报性能,但EMD-LSSVM模型具有更高的不稳定性。