我国地处世界台风高发的西北太平洋区域,每年夏秋台风季我国沿海地区都会因台风灾害造成不同程度经济损失和人员伤亡,准确预测台风的路径与强度对我国沿海地区的气象灾害防治有着重要的意义。目前基于深度学习的台风预测方法还处于探索阶段,已有研究大部分仅基于台风的二维时序特征,并没有充分利用台风的三维时序特征,从而无法融合不同模态之间的特征信息,易造成预测精度不高的问题。本文重点针对台风预报中的多模态异构时序特征融合与挖掘问题,研究基于深度学习的台风路径预测和台风强度预测方法,主要内容如下:在台风路径预测方面,针对预处理阶段的台风数据集质量评估问题,本文提出使用自相关系数评估数据集CLIPER特性的方法;针对模型训练阶段影响台风路径等压面的选择问题,本文引入残差学习的通道注意力机制(Residual Channel Attention,Re CA)以自动选择高响应等压平面;针对模型训练阶段的传统Conv LSTM无法提取大尺度深层非线性特征的问题,本文提出了迭代卷积GRU方法(Multi-Conv GRU),并在wide&deep框架下融合台风二维、三维时序异构特征。实验表明利用本文所提方法可有效融合多模态台风时序特征,较大提升了24小时台风路径预测精度。在台风强度预测方面,针对模型训练阶段的台风强度风速分量学习问题,本文提出了一种基于空间注意力机制的融合网络(Spatial Attention Based Fusing Network,SAF-Net)模型。该模型将台风强度分解为U Wind变量和V Wind变量,并对每一个等压面引入空间注意力机制以提取风速分量的高响应区域,然后通过卷积融合对两种风速分量进行融合,最终实现通过学习各风速分量来预测合速度的目标。实验表明,使用本文提出的SAF-Net模型可提高24小时台风强度预测的精度。基于台风路径与强度的研究成果,设计实现了一个基于Flask框架的台风路径与强度可视化系统,通过Bootstrap框架实现前端响应式布局、利用异步通信机制完成前端页面联动和后端数据更新,实现了台风路径和强度预报结果的可视化。