首先，充分考虑温漂序列数据前后之间的强相关性，在对光纤法布里-珀罗可调滤波器（FFP-TF）的温漂进行建模的过程中引入时间权重的概念，为每个样本赋予不同的时间属性。然后，采用支持向量机（SVM）作为弱学习器对温漂样本进行建模，使用AdaBoost框架对多个SVM模型进行集成学习。在集成预测过程中，不仅每个模型的预测性能会影响样本的权重分配，而且样本的时间属性也会影响样本权重的更新。实验结果表明：在2 ℃的窄范围缓慢变温环境中，传统AdaBoost-SVM算法的最大温漂补偿误差为10.83 pm，而基于时间权重的AdaBoost-SVM的最大温漂补偿误差降低到7.04 pm；在15 ℃的温度范围下，传统AdaBoost-SVM算法的最大误差达到11.57 pm，基于时间权重的AdaBoost-SVM的最大误差仅为4.05 pm。与传统硬件方法相比，所提出的方法不需要额外硬件，为可调谐滤波器的温漂补偿提供了一种新的思路。