我国国土辽阔,地形地貌多样,对于广大无气象站点或者气象站点分布稀少的地形复杂地区,气温预测一直以来都是研究的难点和热点问题。新疆地区地处内陆,融雪水资源为流域内重要的径流来源,气象数据作为积雪—融雪模拟模型重要影响因子,是模型研究的前提和保障,对区域气候模拟和防灾减灾至关重要。本文针对我国典型高寒山区新疆天山中段玛纳斯河流域积雪—融雪过程模拟中气温空间数据的制备问题,以气象站点稀少的玛纳斯河流域为研究区域,开展了以下工作:(1)首先利用最小二乘相关分析法开展了冬春季节(2015.11-2016.4)气温环境变量分析,通过共线性检测确定了纬度、海拔高度、坡度、坡向、NDVI五个环境变量组成了最优因子集。(2)构建了基于广义回归神经网络(GRNN)的月平均气温空间插值模型。文中选定区域139个站点中80%的观测数据作为训练数据,进行不同月份GRNN的模型训练,确立了GRNN模型冬春季6个月的区域气温空间插值模型,利用剩余20%的样本数据进行误差检验和精度评估并与GWRK进行对比分析。(3)引入长短期记忆深度学习网络(LSTM)建立了小时气温时间序列预测模型,用于未来小时气温数据预测,进一步结合GRNN插值模型开展了研究区未来小时气温空间分布图制备。根据以上研究结果得出以下结论:(1)分析月气温插值模型结果发现GRNN模型对研究区月平均气温可以实现较高精度的拟合,在气象站点分布不均匀的情况下,GRNN模型的拟合精度高于GWRK,得到的空间分布图更精细。(2)通过分析小时气温预测结果,表明基于LSTM气温预测可以达到较高的精度,同时LSTM-GRNN组合模型可以提供较高精度时空分布图。