二氧化碳浓度升高已导致全球气温明显上升，并带来其它一系列的环境变化，已引起了人类的高度重视。以区域甚至全球为中心的碳循环观测网络迅速发展起来，积累了大量的观测数据。采用科学的方法来研究这些数据，发现影响碳通量变化的主要环境因素、探索环境因素与碳通量之间的精确映射关系，有利于发现区域或全球范围内的碳通量分布状态。 为了发现影响碳通量变换的主要环境因素，探索有效的碳通量预测因素选择方法，本文研究了基于遗传算法搜索的因素选择方法和基于主成分分析的特征因素提取，比较了二者在碳通量因素选择上的优劣。为了研究主要环境因素与碳通量之间的非线性映射关系，以及高精度的碳通量预测方法，本文运用支持向量机进行了碳通量预测。神经网络应用中结构选择的问题，在支持向量机的应用中成为相对容易的核函数选择问题。并且，本文提出了基于模糊时间序列的碳通量短期模式预测，研究了环境因素以及碳通量时间序列的预测方法，根据碳通量历史第t—1天中各时刻模糊集对应的模糊关系来预测第t天中各时刻的碳通量值。最后，本文还提出利用神经网络来研究提前几个时刻的碳通量预测因素对当前时刻碳通量的影响。 以全球碳通量观测网络中美国北卡罗来纳州布莱克伍德区杜克森林、美国俄勒冈洲的米托利厄斯中年黄松林、美国亚利桑那州肯德尔草原和美国大山森林四个站点的部分碳通量观测数据为样本，验证了本文所提各方法的有效性，实验结果表明：遗传算法在因素选择时，能够直接搜索到影响碳通量变化的主要环境因素，物理意义明确。支持向量机建立的碳通量预测模型，在碳通量预测性能上要优于BP神经网络，碳通量的预测精度更高。根据第t—1天各时刻碳通量模糊集的对应关系，可以较精确地预测第t天各时刻的碳通量值。利用神经网络作为碳通量预测模型，发现提前几个时刻的碳通量因素对当前时刻的碳通量预测有着重要影响。