本文利用新建的1981-2019年全国区域持续性强降水过程历史个例数据集、中国台站逐日降水量、NCEP/NCAR全球再分析资料及2016-2019年ECMWF降水及环流预报场对江淮区域持续性强降水个例进行了分析。首先从江淮极端持续性强降水个例提取典型模态,运用单层迁移CNN（卷积神经网络）、R（相似量）、COS（相似系数）对1981-2015年强降水个例进行环流分型,比较各方法的分型效果,建立了强降水分型模型库及区域强降水环流演变概念模型;在此基础上,进一步建立了三层迁移CNN分型模型,并对2016-2019年夏季降水进行了分型及预报试验。主要结论如下:（1）EOF分解前三模态表现为全区一致、南北反向、中部与南北反向变化的趋势。根据区域持续性强降水空间分布特征,提炼出3类典型个例日样本,用于网络训练建模。在迁移CNN分型模型训练过程中,通过增加样本量、加入预训练模型及设置三次迁移训练过程来避免产生过拟合,相比R、COS,迁移CNN在测试集上具有更高准确率。（2）利用迁移CNN、R、COS对区域强降水个例日进行环流分型,建立了持续性强降水模型库,迁移CNN的分型效果优于R、COS。迁移CNN得到的三型500h Pa高度场环流演变特征存在明显差异:Ⅰ型中高纬呈两槽一脊型,副高略有西伸;Ⅱ型高纬为两脊一槽型,副高较强,西伸至华南地区;Ⅲ型中纬呈两脊一槽型,副高较弱,各型江淮均受低值系统影响。三型均受高空急流影响,高空辐散,低空辐合,有利于产生上升运动,且水汽条件均充足。三种方法得到的各型降水空间分布与典型模态均类似,但迁移CNN得到的各型降水空间分布更符合典型模态特征,且高度场型间方差及各型与典型模态间降水相关系数均大于R、COS的结果。不一致型个例日分析表明只有迁移CNN得到的各型降水分布能表现出典型模态特征,且其降水相关系数远高于R、COS的结果。（3）相比单层迁移CNN,加入200h Pa纬向风场、850h Pa经向风场建立的三层迁移CNN分型模型在测试集上有更高准确率,且高度场型间方差以及各型与典型模态间的降水相关系数更大,分型效果更好。在对2016-2019年夏季逐日样本以及持续性强降水个例集内样本25mm及50mm以上的降水预报中,H-R（基于单层迁移CNN降水型库的R相似法统计预报）、H-R-EC（基于单层迁移CNN降水型库和EC环流场的R相似法订正预报）、HUV-R（基于三层迁移CNN降水型库的R相似法统计预报）、HUV-R-EC（基于三层迁移CNN降水型库和EC环流场的R相似法订正预报）相对ECMWF随时效变化较平缓,结果相差不大,HUV-R、H-R-EC的结果均略高于H-R。在4d及以上降水预报中,四种方案的TS评分高于ECMWF,HUV-R-EC的结果略高于HUV-R,但在短期降水预报中,HUV-R-EC的评分相对较低。