气象因素对社会进步和经济的可持续发展起着关键的作用,天气变换的无常更是会给人类带来不可逆转的灾害,因此科学有效地预测天气变化对加快社会进步及经济的发展意义重大.气温和降雨量是两个重要的气象因素指标,气温的异常会给人类的生活和工作带来不利的影响,更会对农业和工业的生产带来巨大损失;暴雨洪水和干旱灾害一直以来都是人类财产和生命的主要威胁中的两种,因此对气温和降雨量的准确预测便尤为重要.基于此,本文主要提出了两种基于集合经验模态分解(EEMD)的多尺度气温预测模型及降雨量预测模型.然后,将提出的气温和降雨量预测模型应用于天气期权估值.提出基于EEMD的多尺度组合模型的气象要素时间序列预测及天气指数多因子期权估值,对比其他单一气温和降雨量预测模型的期权估值,基于本文构建的预测模型的期权估值最为精确.对于气温预测模型,首先本文使用集合经验模态分解(EEMD)分解方法对月平均气温时间序列进行分解,得到多个频率不同的本征模态函数(IMF),即特征不同的子序列,然后计算它们的Hurst指数,根据Hurst指数值在0.5到1之间具有分形特征,提取出具有分形特征的序列;再结合灰色关联分析将这些IMF重构为高频项、中频项和分形项,对重构的序列分别使用神经网络方法和改进分形插值方法进行预测,最后使用广义回归神经网络(GRNN)集成这几项的预测值,从而得出最终的气温预测值.并通过对南京月平均气温预测应用,将预测结果和其他的气温预测模型预测结果进行对比.对于降雨量预测模型,为了更精确的预测降雨量,提出了一种基于EEMD-SE的多尺度组合预测模型.针对降雨量时间序列的非线性、非平稳性的特征,基于分解-重构-预测-集成思想,采用了集合经验模态分解(EEMD)、样本熵(SE)、BP神经网络、Elman神经网络和支持向量机回归(SVR)对南京市的月平均降雨量进行预测,并与BP神经网络和Elman神经网络的预测结果进行对比,得出本文预测模型结果更优,为降雨量提供了一种新的预测模型.