自从进入21世纪以来,全球变暖一直是人们讨论的热门话题,全球年均气温在十年间仅仅上升0.03℃,正是这个极小数据的出现,使人们对“全球变暖”持怀疑态度。研究全球温度变化需要有长时间的观测数据做支撑,目前主要存在如下问题:一是气候数据搜集面临数据体量大,质量低,技术、勘测等种种困难;二是影响气候属性成分越来越复杂,现有模型难以准确预测气候变化;三是极端天气气温相对整体平均温度差别较大,处理困难,对全球变暖温度变化研究一直是气候领域的热门话题。本文以加拿大部分地区为例,从长时间的平均气候变化以及短时间的极端天气两个方向出发,在建立经典时序数据预测模型的基础上,再建立改进后的机器学习算法模型对气温进行预测;针对极端天气数据,通过计算皮尔逊相关系数和建立灰色关联度模型探讨了极端天气与气候变化二者之间的关联关系,主要工作体现在以下三个方面:1.将数据从海陆两个角度出发,对加拿大各地历史气象数据进行预处理之后,以加拿大温度变化趋势为因变量建立曼-肯德尔模型,探讨数据的突变性,对从地球系统研究实验室获取到的海洋表面温度数据进行数据探索分析,考虑海洋表面温度数据变化的周期性和平稳性进行检验,以检验属性为目标建立单位根检验模型,经模型检验得出海洋表面温度呈现出平稳的时间序列且具有一定周期性。2.基于传统模型和机器学习算法对加拿大部分地区气候主要表征进行预测。以太阳辐射强度,二氧化碳含量,土壤含水量,温度作为主要影响因素,降水量,温度为因变量,建立基于多元时间序列的向量自回归模型,而后又在径向基神经网络的基础上,通过密度峰值快速聚类算法提取径基中心,再构建改进径向基神经网络气候预测模型。利用上述模型分别进行训练与测试,几种模型的结果均得到相似结论,即年平均温度在15℃左右,年均降水2mm左右,表明本文算法的可行性和有效性。3.利用多因素统计分析方法探究极端天气与气候变化的关联关系。假设最低温浮动3%以下认为该月份出现极端天气,通过将现有数据集进行二划分,利用皮尔森相关系数与灰色关联度分析分别对其中的数据集进行预测并最终得出极端天气与全球天气变化之间无明显关联关系的相关结论。