目前国内外针对对流云颠簸的预防措施均为利用雷达监测避开该区域,从而可使大部分的飞机避开对流。但是由于飞机颠簸与气流速度有着强相关性,而上、下拽气流和高雷达反射率所对应的位置一般不同,飞机存在在雷达仪器建议的安全范围中发生强颠簸的情况,故研究一个适用于数据源较少的高层不稳定气流造成的颠簸预测模型极有必要。本文利用机载下传资料(即AMDAR数据)获取颠簸点数据,确定颠簸点坐标,并与该时间段的卫星云图进行比对,得到对流云附近的颠簸点集合。结合NCEP/NCAR再分析资料,绘制相关物理量场图对颠簸个例进行物理特征分析,筛选出对对流云附近颠簸点有重大影响的气象因素,并利用多元线性回归和广义回归神经网络以及概率回归神经网络建立预测模型,并对其进行对比评价。结果表明,广义回归神经网络对于对流云附近的颠簸预测有着较为满意的预测效果。首先介绍了目前国内外的相关研究以及对流云附近的颠簸研究预测模型建立的必要性和数据的获取源及处理工具。然后进行了数据的采集和利用卫星云图筛选出所需的对流云附近的颠簸点,并将其进行了同化处理。本文还绘制了相关物理量场的矢量图,并进行分析总结得出颠簸点总处于升降气流交界处,切变较大或是处于水平温度梯度较大的同时又有强烈的上升或下沉气流。可以看出高空处风向、风速及温度对飞机颠簸有较大影响。利用温度、位势高度、纬向风、经度风、垂直风速作为模型建立的自变量。进而利用多元线性回归法排除了这些自变量与颠簸之间存在明显线性关系这一可能性,同时验证了自变量彼此之间无相关性。验证了常用的BP神经网络和RBF神经网络均不能够很好的处理这种数据分布较为极端(仅存在重度颠簸和无颠簸两种状况)且学习样本较少的情况。最终选取了GRNN和PNN建立预测模型,均有良好的泛化性能,无需进行迭代,计算量小,可以高效且准确的预测是否发生颠簸。尤其是广义回归神经网络,试验中预测时间均在0.11s以下,预测准确率最高可达86.66%,其中,位势高度、垂直风速、纬向风速对颠簸预测的相关性较大,即选取这三者作为自变量时准确率最高。最后给出了预报系统的初步设计思路,为签派和管制人员选取建议绕飞路线提供了辅助参考资料。