地震具有突发性和破坏性,会给人类带来巨大灾难和损失。地震预测是一个世界性的难题,国内外学者长期以来开展了多方面的地震预测研究,提出了一系列的地震预测模型,取得了长足的进展,但仍不能满足当今社会发展的急切需要。近年来,随着地震和地球物理观测手段的进步,地震观测数据在急剧增加,适用于大数据的机器学习方法在地震预测研究中展现了广阔的应用前景。本文在总结现有工作的基础上,以中国地震科学实验场为研究区域,以仪器记录地震目录为主要数据,开展基于机器学习回归算法的地震预测初步研究。本文首先对常用机器学习算法进行了总结和分析,并从中选择了广义线性模型（GLM）、基于CART决策树的随机森林模型（RF）和梯度提升机模型（GBM）以及深度神经网络模型（DNN）共4种机器学习算法构建地震预测模型;并采用Stacking集成学习算法对4种模型进行集成,采用交叉验证的方式构建次级线性学习器,对各单一模型的预测结果进行次级学习以提高预测效果。本文根据全国地震目录和川滇区域目录整理得到了实验场1970-2018年的地震目录,并基于川滇地区的地震活动性分区对实验场进行了地震区（带）的划分。考虑到区域地震台网监测能力时空差异造成的不完备地震目录会对地震活动性特征参数的计算造成影响,进而影响机器学习模型的预测效果,本文在总结国内外现有方法基础上,采用了震级—序号法、最大曲率法和拟合度检测法的组合方法对实验场最小完整性震级的时间演化特征和空间分布特征进行了分析,进而得到实验场分区域、分时段的最小完整性震级,并在本研究中统一确定最小完整震级为2.5。之后对常用的地震活动性特征参数进行了分析和比较,并选择了16个特征参数作为机器学习模型的输入变量,包括震级—频度分布类参数、地震频度类参数、地震能量类参数和综合类参数。采用了不同的窗口长度滑动计算特征参数构建数据集,在这些数据集上进行了机器学习模型的训练和测试,并对测试结果进行了比较。结果表明,构建数据集时采用的窗口长度对预测结果有较大影响,采用适应各地震区（带）地震活动性水平的可变窗口长度构建数据集,训练得到的各模型预测效果明显优于固定窗口的模型。之后采用4种评价指标对模型预测效果进行了分析和评价,包括绝对平均误差（MAE）、决定系数（）、回归误差特征（REC）曲线及相应的曲线上面积（AOC）值和值评分。结果表明,RF模型在各模型中具有最好的预测效果;GBM模型效果较好,但次于RF模型;GLM模型和DNN模型效果较差;集成模型与RF模型较为接近,没有较大改善。各模型预测效果在4.0-6.9级地震震级之间效果较好,3.0-3.9级和7.0级以上次之,3.0级以下效果较差。各模型在各地震区（带）预测效果差异较大,其中松潘—龙门山带、龙陵区、澜沧—耿马区和思普区效果较好,阿坝区和理塘—木里区效果较差。各地震区（带）的各模型在各震级档的预测效果与实验场区域总体上的效果基本一致。RF模型和各集成模型的值评分相对较高,具有较好的预报效能,GBM模型和DNN模型次之,GLM模型较差。最后对所采用的地震活动性特征参数在4种单一模型中对预测结果的贡献度进行了分析。结果表明,震级—频度分布类贡献度较大,地震能量类参数次之,综合类参数再次,地震频度类参数相对较低;并且不同模型在不同的地震区（带）,各特征参数的贡献度具有较大的差异。