针对目前分类算法对降水预测过程存在着泛化能力低、精度不足的问题，提出改进Adaboost算法集成反向传播（BP）神经网络组合分类模型。该模型通过构造多个神经网络弱分类器，赋予弱分类器权值，将其线性组合为强分类器。改进后的Adaboost算法以最优化归一化因子为目标，在提升过程中调整样本权值更新策略，以此达到最小化归一化因子的目的，从而确保增加弱分类器个数的同时降低误差上界估计，通过最终集成的强分类器来提高模型的泛化能力和分类精度。选取江苏境内6个站点的逐日气象资料作为实验数据，建立7个降水等级的预报模型，从对降雨量有影响的众多因素中，选取12个与降水相关性较大的属性作为预报因子。通过多次实验统计，结果表明基于改进的Adaboost-BP组合模型具有较好的性能，尤其对58259站点的适应性较好，总体分类精度达到81%，在7个等级中，对0级降雨的预测精度最好，对其他等级的降雨预测有不同程度的精度提升，理论推导及实验结果证明该种改进可以提高预测精度。