海洋约占地球表面积的71%,是决定地球气候发展的主要的因素之一,作为海洋水文环境参数最重要因素之一的海表温度一直是海洋学家的研究重点。影响中国降水的主要因素有受印度洋和太平洋的海温驱动的季风,台风、以及不同时间尺度的海温和海气耦合震荡。过往的大多研究中都是以某一具体海洋区域的温度异常或者局部海域的海温、海气耦合震荡来研究海温对中国降水的影响。但无论是季节内震荡还是年际或者年代际震荡,都不可能完全解释某一时间段的降水活动。本文区别于传统的研究方法,以30°E-70°W&50°S-50°N的海表温度为研究范围,这也是影响中国降水的季风、台风以及黑潮的主要来源及活动海域。通过机器学习的方法来挖掘海温对中国降水的时空影响,最后利用集合经验模态分解-聚焦时延神经网络（Ensemble Empirical Mode Decomposition-Focused Time Delay Neural Network）和XGBoost（Extreme Gradient Boost）模型尝试利用海温对聚类后的中国降水进行中长期预测,得到适合各区域的预测模型。本文利用k-means聚类算法将36年的中国周降水数据聚类为7个区域,其中区域1、区域2、区域4和区域7处于季风区,其降水受季风、台风、厄尔尼诺与南方涛动（ENSO）、季节内震荡（MJO）等的影响较大,而区域3、区域5与区域6的大部分属于温带大陆性气候和高原山地气候,降水受海洋活动影响较小。对海表温度进行主分量分析（Principle Component Analysis,PCA）降维处理后,通过相关性分析和特征工程确定了输入模型的预测因子。将各区域的周降水量经过指数平滑后,输入聚焦时延神经网络（FTDNN）,求解其与经过PCA降维处理的海表温度之间的关系得出,区域1、区域2、区域4和区域7等受海洋活动较大的区域的最佳延迟时间比远离海洋受海洋影响较小区域的最佳延迟时间大,进一步也得到了预测各区域降水的最佳延迟时间,建立了海表温度的主成分与各区域降水量的时间延迟关系。在对各区域进行连续多周的预测中得出,单纯的FTDNN模型在受海洋活动影响较小的区域预测效果较好,但是在降水量波动比较大的区域预测精度变差,进一步与EEMD结合以后,各区域的均方误差和大部分区域的平均绝对百分比误差都有了明显的降低,模型性能有了较大的提升,说明了集合经验模态分解（EEMD）对提高FTDNN网络的预测精度上发挥了明显的作用,充分发挥了EEMD分解的优势。而经过特征工程选择的XGBoost模型的预测精度与前两种模型相比,各个预测指标都进一步提高,尤其是平均绝对百分比误差（MAPE）有着显著的降低,显示了以梯度提升决策树为核心的XGBoost模型的优异性。本文建立了海表温度与中国降水量之间的关系,为站位缺失、站位数量少的区域降水量预测提供了一定的依据,对研究降水记录长期缺失区域的气候有一定的帮助。