地震发生前普遍存在的热红外辐射异常现象，是当前评估区域发震危险性的重要参数之一。然而，并非所有的地表红外异常都与构造活动或地震有关，如何排除非构造因素对地表热红外辐射的影响，从强噪声背景中提取微弱信号，是当前利用热红外遥感技术研究构造活动的难点。地表温度（LST）背景场是热异常提取的基础，而以往研究中所建立的背景场不能有效反映当年气候变化对其的影响，造成热异常提取精度受限。为此，文中在提取热异常的过程中对背景场进行了改进，结合地表温度时间序列的周期性特征，引入谐波分析，采用傅里叶逼近的方法拟合地表温度离散时序，从中提取其年趋势，建立1个动态的、同时包含局地信息和年际特征的、更加可靠的地表温度背景场；将其引入RST模型，基于“kσ”准则识别地震热异常信息；最终采用异常方向、异常强度和距离指数这3个指标对异常结果进行分析，验证算法的有效性。利用MODIS地表温度产品，基于所提算法对2008年汶川地震进行了再研究，结果表明：1）汶川地震前存在明显的热异常，沿龙门山断裂呈带状分布，持续时间较长；2）发震期无明显的异常现象；3）震后热异常的发生具有循环往复性，但异常幅度和影响范围明显缩小。与传统的空间温度均值RST算法异常提取结果相比，文中方法所提取的热异常在空间分布上与活动断裂带更为吻合，对异常的产生消散过程刻画更加细致，表明以地表温度年趋势作为地震构造热异常提取的背景场更加可靠。

地震预测是地震科学研究的主要领域之一。震前热异常现象(地表温度异常升高)普遍存在并且与地震三要素有复杂的非线性关系。文中结合神经网络的优点, 提出将热异常信息作为地震预测的信息源, 通过构建神经网络, 进行地震预测的思路, 并进行了试验。基于8d合成的1km分辨率的MODIS数据, 利用RST算法提取震前热异常信息, 在分析震前热异常信息时空变化的基础上, 确定出BP神经网络的结构, 利用该网络对中国及周边100个5级以上震例, 以及70个随机无震样本进行训练和仿真。试验结果表明, 通过RST算法提取的震前热异常指数值, 用于BP神经网络地震预测是可行的, 其预测的试验结果刻画出了地震要素与热异常值间的非线性相关性。未来预测区域范围的选取以及神经网络中隐层神经元的数量将对地震预测效果产生较大的影响。