短期强降雨不仅会导致农业生产受损,还可能严重威胁国民的正常社会经济生活。因此,深入研究短临降水预测利国利民。本文致力于将机器学习方法应用到短时降水预测中,针对地面气象观测数据和雷达气象观测数据分别展开了两项降水预测研究。在基于地面观测资料的降水预测研究中,针对传统k最近邻算法处理多维数据分类时,没有考虑不同属性对分类结果的影响程度存在相异性这一问题,提出一种基于属性重要度的k最近邻算法。将大气压强、风向、风速、大气温度和相对湿度作为样本属性,将降水量作为类标签,利用属性空间上同类数据分布的内聚性和异类数据的耦合性确定样本属性的权重,通过属性加权欧氏距离进行近邻搜索,从而实现最优分类。实验结果表明,新的降水预报方法在性能指标上表现更优:不仅提高了降水预报结果的准确率、TS评分和正样本概括率,还降低了降水预测的标准误差与漏报率。在基于雷达观测资料的降水预测研究中,针对目前国内外大部分雷达降水预测模型预测精度和泛化能力不足的现状,本文将卷积神经网络的图像特征学习优势和循环神经网络的时序特征学习优势结合起来,设计并构建了两种降水预测模型——基于三维卷积双向长短期记忆网络(Conv3D-Bi LSTM)的降水预测模型和基于三维卷积双向门限循环单元网络(Conv3D-Bi GRU)的降水预测模型。实验结果表明,两种模型在雷达短时降水预测领域各有优势、难分伯仲。为了进一步提升模型的预测效果,本文引入stacking集成策略融合Conv3D-Bi LSTM和Conv3D-Bi GRU,在此基础上提出了基于集成深度神经网络的降水预测模型。实验结果表明,新的降水模型在预测精度和收敛效果上表现更优。