为了提高能见度预报的准确率，尤其是低能见度预报的准确率，提出一种基于集成学习随机森林和LightGBM的能见度预测模型。首先，以数值模式系统的气象预报数据为基础，结合地面气象观测数据、PM _2.5浓度观测数据，利用随机森林算法构建特征向量；其次，针对不同时间跨度的缺失数据，设计了3种缺失值处理方法对缺失值进行替代，生成用于训练和测试的连续性较好的数据样本集；最后，建立基于LightGBM的能见度预测模型，并用网络搜索法对其进行参数优化。把所提模型与支持向量机（SVM）、多元线性回归（MLR）、人工神经网络（ANN）在性能上进行对比。实验结果表明，对于不同的等级的能见度，应用LightGBM的能见度预测模型获得预兆得分（TS）均较高，而对于<2 km的低能见度，该模型对各观测站点的能见度预测值与各观测站点的能见度实况值的平均相关系数为0.75，平均均方误差为6.49。可见基于LightGBM的预测模型能有效提高能见度预测精度。