精准降水估计和预报关系国计民生，对社会各行各业的正常运转以及人民的生产生活有着重大影响。随着气象遥感观测技术的迅速发展和地面雨量站观测网络的不断完善，我国现已建成以雨量站-天气雷达-卫星遥感为代表的多源降水观测体系，其积累的多源气象数据呈爆炸式增长，为精准降水估计和预报提供了重要的“原料”基础。然而，由于影响降水的因素众多且关联关系复杂，传统气象方法在刻画存在不确定性的复杂关系方面能力有限，难以有效利用这些多源观测数据。作为大数据分析的有力工具，机器学习在复杂数据建模方面优势明显，与多源气象大数据相结合有望获得更为精准的降水估计和预报，受到各政府、研究机构和大型企业的广泛关注。然而，如何充分地融合与利用多源气象观测数据中所蕴含的丰富信息仍存在诸多困难与挑战。

定量降水估计、晴雨估计以及降水集合预报后处理是多源气象大数据精准降水下的三个典型任务。本文从机器学习方法建模的角度出发，针对三个任务中亟需解决的多源气象数据融合问题进行了研究。本文的创新性研究成果主要有：

（1）提出了一种基于地理和时序注意力的连续条件随机场降水估计模型(GTA-CCRF)。针对定量降水估计任务中多源数据融合问题，提出了一种基于连续条件随机场的多源数据融合框架，能够有效地获取雷达和雨量计两种数据源的互补信息；在该融合框架中，进一步考虑了降水的时空结构信息，提出了基于地理和时序注意力的时空加权策略，有效提升了降水估计效果。在11个实际降水过程上的实验表明，所提方法在均方根误差、平均绝对误差、相关系数、平均相对误差以及中位绝对误差五项指标上均优于国际先进的降水估计方法。

（2）提出了一种基于自步学习的鲁棒多样性多视角晴雨聚类模型(RD-MSPL)。针对晴雨估计任务中因标注样本不足而无法充分挖掘晴雨模式问题，本文从机器学习多视角聚类角度进行了研究。首先，在聚类目标中引入结构稀疏范数，解决了晴雨估计数据中噪声样本混叠问题；其次，在自步正则项中引入反结构稀疏范数，解决了样本选择过程中视角多样性问题。在实际晴雨估计数据集上与相关方法进行对比，结果证实了所提方法在多源晴雨聚类问题上的优越性；在四个公开数据集上的实验表明，所提方法在更具一般性的多视角聚类问题上具有优异的泛化性能。

（3）提出了一种基于张量多弹性核自步学习的集合预报成员聚类模型(T-MEK-SPL)。针对降水集合预报后处理中的集合成员聚类任务，创新性地将其转化为了更具一般性的时间序列聚类问题，并提出利用多核聚类框架统一解决时间序列聚类中的高维、漂移和多弹性核融合三个共性问题。在此基础上，提出对多个核空间的自表示系数矩阵施加张量低秩约束，来获得多个弹性核的高阶互补信息；并进一步提出引入自步学习范式，来学习得到更为本质的子空间结构。在实际降水集合预报数据集上的实验表明，所提方法能够更好地对集合预报成员进行簇划分；在58个公开数据集上的实验表明，所提方法在时间序列聚类问题上具有优异的泛化性能。