地震作为破坏性极强的自然灾难之一,给人类带来的教训是惨痛的,而有效的地震预报可以减少人员伤亡和经济损失。导致地震的因素繁多但其因素之间存在非线性关系,随着计算机技术飞速发展,使得机器学习模型解决复杂的、非线性的问题广泛进入应用。本文使用MATLAB和python平台,在地震震级预报这一领域内使用自组织特征映射神经网络（SOM）和支持向量回归算法（SVR）提高预报精度。本文首先介绍了机器学习模型在地震预报领域的研究现状,针对地震数据差异性较大且分散,利用SOM和SVR两种模型相结合以提高震级预测的精度和稳定性,同时提出一种改进的灰狼算法（GWO）优化SVR参数,改进的灰狼算法解决了在参数寻优过程中易陷入局部最优的缺陷。在对研究地区的选取上,本文详细地介绍四川是一个多震地区并说明了多震的原因。对于提取模型的输入特征向量,通过查阅大量的相关文献,选取了部分前兆地震预报因子作为模型的输入,并对其进行归一化处理确保模型的收敛和预测精度。针对地震数据样本的分散性大问题,本文采取SOM进行聚类确保组合模型的精度。SVR模型作为从统计学理论的基础上发展起来的有导师学习算法,其基本原理是基于结构风险最小化,尽可能提高模型的泛化能力,SVR模型在解决小样本和非线性样本都表现出较强的优势,针对地震数据样本少,选择SVR模型具有很大的优势。因此,它不仅满足了对训练样本规模的要求,又保证了预测的精确度。虽然SVR具有较好的预测精度,但是SVR参数C和g对于预测影响结果较大,得到一个最优参数对输出结果是至关重要的,本文提出改进的灰狼算法对SVR参数C和g进行全局寻优。利用改进GWO算法对SVR模型的参数寻优处理得到一个最优的参数,保证了组合模型输出结果。最后将组合模型（SOM-GWO-SVR）的输出结果经过反归一化处理,同时与传统的SVR的输出结果相比较,得到几种模型的输出结果误差图,一方面,说明本文提出组合模型在地震预测研究是可行;另一方面,验证本文提出的模型与其他组合模型相比,具有较高的精度和较强的鲁棒性,同时本文还讨论将该模型通过迁移学习应用到地震较频繁的我国台湾地区,验证了该模型的外用能力。