本文基于TIGGE资料集下欧洲中期天气预报中心（European Centre for MediumRange Weather Forecasts,ECMWF）的集合预报数据,以及对应的ERA-Interim再分析资料及中国降水融合数据,对中国东南部地区（20°N-36°N,106°E-125°E）24-168h预报时效的2m气温及24h累积降水进行概率预报试验。首先使用前馈式神经网络（Feedforward Neural Network,FNN）及卷积神经网络（Convolutional Neural Networks,CNN）对正态分布的气温建立概率预报模型,并对预报结果进行评估。然后,利用神经网络对非正态分布的降水进行概率预报研究。考虑到降水预报中不同格点改进能力的差异,在降水概率预报模型中加入各格点的地理信息,组成FNN-GI（Feedforward Neutral Network-Geographic Information）、CNN-GI（Convolutional Neural Network-Geographic Information）模型,并将预报结果与加入地理信息前的预报结果进行对比。首先,FNN和CNN对气温的概率预报均有明显的改进,且CNN的整体预报结果优于FNN。虽然FNN、CNN和原始集合预报均存在离散度过小的情况,但FNN和CNN的概率分布较原始集合预报都有所改进。同时,FNN和CNN的预报技巧高于原始集合预报,但改进幅度随预报时效的增加而降低,24h时CRPS较原始集合预报降低20.86%、21.94%;168h时仅为5.50%、7.59%。对于降水概率预报,FNN和CNN较好地改进了ECMWF预报概率分布离散度不足的情况,各量级降水的概率分布更为可靠。各预报时效内,FNN和CNN的预报技巧有所提升,CNN的提升幅度大于FNN的提升幅度,24h时CRPS评分分别下降了14.29%、16.27%。但是,对于较大量级的降水,由于样本占比较少,FNN的预报技巧低于原始集合预报,CNN的提升幅度也小于较小量级的降水。同时,对于不同地理位置的格点,FNN和CNN的提升效果存在差异,在24-72h时对长江中下游地区的预报技巧较低。与未加入地理信息的预报模型相比,加入地理信息后FNN-GI、CNN-GI模型的降水概率预报的技巧有显著提升,且对于较大量级降水的预报技巧改进更为明显,在超过50mm降水的预报技巧均高于原始集合预报。