随着全球气候变暖,气候预报业务变得很重要。在常规气候预报要素中,降水和温度是最受关注的两个,尤其夏季降水和冬季温度与我们的生活息息相关。同时,降水和温度也是影响干旱与洪灾的主要因素,准确地预报降水和温度是气候预测的一项重要任务。目前,气候模式作为主要的预报方式依然存在误差。因此,需要提高气候模式预测的准确率。在归纳全国不同区域降水的特点与现状的基础上,深入研究了机器学习相关方法。按照项目的要求,主要开展了区域气候模式回报夏季降水误差订正技术研究,同时完成了模式回报夏季温度和华北区域冬季温度的误差订正工作。研究内容包括:（1）了解了区域气候预报模式（CWRF）预测大气状态的原理以及误差来源。通过对国内外降水和温度误差订正方法的总结和分析,表明了机器学习算法开展模式订正是一种合理有效的思路。因此,提出了改进后的人工神经网络模型用于模式误差订正。（2）研究了神经网络模型的组成结构,通过引入树突（DD）模块来改进人工神经网络（ANN）的结构,提出了人工树突神经网络（ADNN）用于模式误差订正。利用随机森林（RF）算法解释了CWRF模式不同气候要素之间的相互关联性。同时,根据我国不同地区降水的规律,将我国主要大陆划分成八个不同的气候区域进行降水误差订正。（3）评估了基于ADNN模型对分区和全国夏季降水预报的结果。实验表明,基于ADNN算法的整体订正效果好于模式回报,其中距平相关系数（ACC）提高了约0.10,大部分区域通过了90%显著性检验,均方误差下降了约26%,异常检验评分提高了6.55。实验结果验证了ADNN算法应用于气候模式预测夏季降水后处理的可行性和有效性。（4）为了验证ADNN算法的可扩展性,将ADNN模型应用于CWRF模式回报夏季温度和华北区域冬季温度的误差订正。经过ADNN订正后,夏季温度的距平相关系数提高了约0.10,部分区域通过了90%显著性检验;华北区域冬季温度的距平相关系数提高了0.13,多数格点通过了95%显著性检验。将ADNN算法应用于CWRF模式温度误差订正取得了有效的成果,说明了ADNN算法具有较好的可扩展性和普适性。