气象预报是指在某一段时间内对气候气象变化做出的估计和记录,而气象数据是以矩阵数值形式输出的信息。矩阵内某一块区域的坐标点分布越密集,表明该区域气象预报的精细化程度越高,气象精细化预报数据则可以提供某一区域内更丰富的气象预测信息。本论文设计的精细化预报主要是研究在空间维度上的超分辨率预报,是将低分辨率（低精度）的气象观测数据在空间维度上降尺度生成高分辨率（高精度）的气象预测信息,期望将气象预报精度从省市（低精度）级别提升到乡镇（高精度）级别。同时,本论文还尝试性地提出了在时间维度上的气象精细化预报方法。在气象领域内实现精细化预报采用的方法是降尺度技术。传统的降尺度技术是采用插值算法或者统计模型来实现的,生成图像上每个像素点的值是构建其周围几个像素点的距离关系,或者是从特定分布的低分辨率和高分辨率降水数据中学习计算得到。但是,基于此类方法映射成的高分辨率图像不能很好地保留原始图像的细节。同时,发现气象观测数据是一种空间结构性信息,容易受到不同气象要素的影响。针对气象空间精细化预报领域存在的一些问题,本文展开深入研究。1)在使用降尺度技术构建气象精细化预报模型时,首先得将原始气象数据处理成可供降尺度预报模型训练的气象图片。气象观测数据是一种空间结构性信息,精细化的气象预报容易受到多种相关气象要素的影响。本论文中只研究降水精细化预报,经过多组对比实验发现,考虑温度、湿度、地形这三种气象要素的影响,能显著提升最终降水精细化预报的效果。本文还使用卷积神经网络对原始气象数据进行预处理,生成可供降尺度预报模型训练的气象图片,最终得到了适用于降水领域的标准数据集。2)采用不同的上采样层可能会给生成图片引入棋盘状条纹噪音,为了保证生成图片的质量,本文也对几种常见的上采样层做了对比分析,结果发现像素重组方法具有更好的效果。3)为了尽可能地恢复原始图像的细节,本文提出两种基于深度学习超分辨率的空间降尺度预报方法。第一种RDBLap模型引入了拉普拉斯结构和残差学习机制,虽然还是采用均方根损失误差来优化模型,但相较于传统的算法已经取得了较大的进步。第二种Pre GAN模型的核心思想是分别训练一个生成器和鉴别器网络,目的是使鉴别网络难以把生成器生成的高分辨率预测图片和标签图片区分开来。优势在于可以修复更多高纹理处的局部图像,从而进一步提高降水精细化预报的质量。本文在两类气象标准数据集中对比分析了多种气象降尺度模型,实验结果发现RDBLap和Pre GAN模型在各项评价指标上均取得了较好的效果。其中,Pre GAN模型相较于RDBLap网络,能实现更精准的气象高精度预报。