大气视宁度是用于评估红外/光学波段天文站点质量的重要参数之一。通过对视宁度进行实时监测，天文学家不仅可以评估台址质量，而且可以依据预测的视宁度执行相应的观测决策。视宁度一般通过标准仪器如差分图像运动监视仪器 DIMM（differential image motion monitor）观测，然而对于环境恶劣且无人值守的如南极Dome A，通过标准仪器并不容易获得长期且连续的视宁度数据。因此，本文提出了一种新颖的基于机器学习的视宁度预测方法，仅使用多层自动气象站的气象数据可以实现对Dome A的视宁度进行评估与预测，主要研究内容如下： 
（1） 针对视宁度评估问题引入了高斯过程回归（GPR，Gaussian Process Regression）用于构造视宁度与气象参数的回归模型。首先分析了在Dome A影响视宁度变化的气象因素，通过斯皮尔曼秩相关系数法筛选出与视宁度强相关的气象参数作为模型的输入。使用2019年极昼时期的气象数据和视宁度数据训练并验证GPR模型回归的准确性。测试结果表明，在整个视宁度范围内，视宁度估计结果的均方根误差（RMSE，Root Mean Square Error）仅为0.20 arcsec。最后通过2015年的历史气象资料进一步进行了验证GPR模型的泛化能力。 
（2） 针对视宁度预测问题引入了长短期记忆神经网络（LSTM，Long Short Term Memory）用于建立气象预测模型。首先介绍了LSTM神经网络的基本原理并讨论神经网络层数、每层隐藏神经元个数和时间步长等关键参数的最优组合。使用2019年的极昼时期的气象数据对LSTM进行训练与测试。最后将气象预测结果输入到训练好的GPR模型中预测未来20分钟内的视宁度变化。预测结果表明在0 ~ 2.2 arcsec范围内，视宁度的预测误差RMSE为0.14 arcsec，相比于基准模型，RMSE降低了30%。 
通过对南极Dome A地区视宁度的评估和预测研究，对于提高望远镜观测效率和科学产出具有重要作用和意义。