热带气旋是一种多尺度低压天气系统,对人类的生产生活有着极大的破坏性。科学有效的热带气旋路径和强度预报对于防灾减灾有着重要的现实意义。热带气旋路径预报可以用于对热带气旋登陆的时间及地点做出提前预警,热带气旋强度预报可以用于评估热带气旋的灾情风险。虽然深度学习已经在热带气旋预报应用中得到了广泛的关注,但现有方法通常只针对单一模态的数据进行研究,同时数据的标准化程度有限,使得这些方法之间无法有效地比较与融合。针对目前深度学习预报方法的主要缺点,本文从多模态数据融合角度入手,研究基于多模态数据的热带气旋的路径预报算法和强度预报算法。本文搜集整理了热带气旋最佳路径数据、热带气旋周围大气分析场数据、静止轨道气象卫星观测数据,构建了用于热带气旋预报的多模态时空序列数据集。本文提出了融合多模态数据的热带气旋路径预报算法,融合历史路径数据、大气分析场数据和卫星红外亮温数据三种模态数据。针对普通卷积网络只能感知局部信息的缺点,预报算法采用了非对称坐标注意力机制,提升模型对长距离特征的感知能力。预报算法的骨干网络为基于多时间尺度融合的卷积门控循环网络。该网络可以改善普通时空序列编码网络容易遗忘历史运动信息的缺点。该网络的创新性在于针对高时间分辨率数据使用轻量快速网络捕捉运动信息,针对低时间分辨率数据使用慢速网络捕捉空间信息。针对多模态数据的特征空间差异较大的问题,预报算法采用集成融合方式融合多模态数据。相较于基准方法,融合多模态数据的热带气旋路径预报算法的预测精度有了较大提升。本文提出了融合多模态数据的热带气旋强度预报算法,融合大气分析场数据和卫星红外亮温数据。该预报算法通过基于空间一致性的多模态数据融合框架有效地平衡了多模态数据之间的相似性和互补性。针对等距圆柱投影方式带来的空间形状失真问题,本预报算法采用区域球面卷积模块优化卷积核的采样方式。针对现有方法在时序处理上并行化不足耗时较大的问题,本预报算法使用空洞因果卷积网络有效地分析不同时刻卫星数据的空间特征表示的因果关系,生成时空特征表示。实验表明,融合多模态数据的热带气旋强度预报算法可以有效提升热带气旋强度预报精度。