热带气旋是一种强气旋性涡旋,其在热带海洋上形成,并具有暖心结构。近几十年来,在热带气旋的路径和强度预测方面取得了显著进展,然而有关热带气旋的生成预报仍然充满挑战。因此,准确预测未来某一时刻热带气旋的生成时间和位置对于政府相关部门制定防灾减灾计划至关重要。现如今,与热带气旋相关预测的方法主要有:数值、统计和统计动力预报。数值预报常用于台风生成的预测,而统计动力模型则基于气候学和持久性来预测未来的强度。上述方法对于热带气旋这一场景都有比较好的预报效果。但是,目前已有的方法主要依靠人工设定参数,具有较大的随机性、较低的精度和较低的泛化能力。而且,随着预报步长的增加,预报误差也会快速累积,从而导致预报精度下降。这些以定量模式为基础的预报模型已不能适应当前对实时、准确、可视化的台风预报需要。此外,大气和红外云图数据还呈现出大尺度、高维度、空间复杂等特点,这给传统机器学习算法的预测带来了困难,从而造成了数据处理的复杂性和预报效果的下降。具体来说,目前,热带气旋相关预报存在的主要问题是:（1）在已有的基于热带云团、最佳轨迹等数据的生成概率预报中,没有充分考虑到时间维度对气旋生成概率的影响,因此,尚未找到最优的提前预报产生时间。（2）未充分使用多模态数据,没有重点挖掘待预测区域内卫星云图的相关特征,以及进一步探索空间特征对热带气旋生成的影响,结果造成生成概率预测精确度难以提高。（3）当前用于预测热带气旋强度的方法存在没有充分利用周围环境信息的问题,这导致多年来预测精度未能显著提高。鉴于机器学习、深度学习方法具有有效学习高维数据间的数据分布规律、自动提取特征等优点。专家学者开始使用海量数据和机器学习算法解决生成预测困难和强度预测性能欠佳等问题。以深度学习为基础的热带气旋预报算法,既体现了热带气旋预报的前沿技术趋势,也为气象学研究提供了一个新的视角,展现出人工智能对热带气旋预报的“理解”与“学习”的强大能力。通过利用深度学习技术,可以预测热带气旋的生成概率,并对可能形成热带气旋的位置进行精细的时空序列预测,这些预测结果可以被进一步用于预测热带气旋的强度。通过一体化的准确预测热带气旋发生的概率和未来强度,可以提高预报的精度,这对降低灾害损失十分关键,故本文的研究和实际应用都具有意义。为此,本文旨在进行利用深度学习方法,建立一种高效准确的热带气旋生成概率及强度预测模型。本文的主要研究内容如下:（1）针对热带气旋生成概率研究,充分使用多种模态数据,以构建基于大气和图像数据的全新生成概率预测模型。模型利用热带云团和最佳轨迹数据中的数值数据,并联合热带云团的气象因素,深度提取多气象变量与卫星云图空间数据的关联特征,并对热带气旋生成概率进行时序建模,以弥补单一数据造成的结果偏差。（2）针对热带气旋强度预测研究,构建了以热带气旋为中心的多模态数据集,包括最佳轨迹数值数据和多种气象数据。针对热带气旋场景下的特征融合问题,借助特征融合模块对多模态数据中的环境特征进行深度提取和融合。（3）利用融合后的多模态气象特征构建一个热带气旋强度预测模型,该模型包括多个模块,如时空序列预测、特征聚焦和强度估计等。其中,通过可对短时变化和长期趋势共同建模的网络机制和基于Seq2Seq的热带气旋强度预测模型的气象预测模块,进行未来热带气旋强度的细粒度序列预测。