海面高度异常(SSHA)作为重要的海洋要素,对研究海洋温盐剖面、海洋涡旋等海洋动力现象具有重要意义.然而,传统的海洋预测技术存在着预测时效过短、预测过程复杂等诸多问题,现有的机器学习预测方法也只针对几个点或区域进行平均,忽略了很多重要信息.因此,本文提出了一种基于经验正交函数和BP神经网络(一种机器学习方法)的SSHA预测模型(EOF-BPNN)来实现对起报时刻后30天的南海SSHA预测.首先,对1993年1月1日-2013年12月31日的逐日SSHA数据进行距平归一化预处理,构建相关系数矩阵,并对该矩阵进行EOF分解,获取主成分.然后将主成分输入BP神经网络进行训练,实现对主成分的预测.最后将主成分预测值与相应的空间模态结合,获取SSHA预测值.结果表明,相较于惯性预报和气候态预报,EOF-BPNN模型不仅能够提供提前30天的较为精确的SSHA和相应的涡旋演化过程预报,且在整个南海区域拥有更高的SSHA相关系数,证明了EOF-BPNN模型具有较好的预测性能.