降水作为径流变化的主要影响因素,也是影响区域水循环最重要的气象过程,而水文建模和预报作为防汛减灾的重要手段,其模拟和预测精度至关重要。在洪灾预测的所有关键要素中,最主要的就是降水空间的不确定性。因此降水作为水文预报模型中最重要的气象输入,获取高精度的降水空间数据对于水文过程分析、水利工程规划和设计、水资源分配与管理、洪水和干旱灾害监测以及地质灾害预警等都有十分重要的意义。传统的水文模拟中降水输入通常使用雨量站观测数据,但由于其无法准确反映降水空间分布等一些原因限制了在水文模型中的应用。即地面离散站点观测得到的降水信息所反映的空间分布有限,且站点的分布是十分稀疏的。卫星观测可以得到降水的空间分布信息,且具有更广的覆盖范围,能够为缺资料地区提供充足的降水分布信息,也可以作为传统地面降水的补充。但卫星降水产品存在明显的系统误差,难以获取较高精度的降水信息。因此,开展基于卫星-雨量站降水信息的融合,可以有效提升定量降水估测的精度。当前为了提高定量降水估计的准确性,已经出现了许多融合卫星和雨量站降水的方法。然而,大多数融合方法都只是单独考虑了多源降水数据的空间关联性或时间依赖性,且所产生的融合降水受到空间分辨率低,区域精度不高的限制。在本文中,提出了一种深度融合模型,其通过同时提取空间相关性和时间依赖性来融合TRMM 3B42 V7降水数据,热红外数据以及雨量站数据。具体是结合卷积神经网络(CNN)和长短时记忆网络(LSTM),其中卷积神经网络提取卫星数据的空间特性,而LSTM用以获取降水时间序列的时间依赖性。通过在中国区域796个雨量站数据上的实验结果表明:(1)本文所提出的CNNLSTM融合模型优于其他单一组成的深度神经网络模型(CNN,LSTM,多层感知机)。(2)其能提升原始TRMM数据在中国大陆地区的空间降水精度,均方根误差和平均绝对误差分别降低17.0%和14.7%,并将相关系数提高到0.72。在不同降水强度下融合模型也有明显的提高。(3)融合后得到2001-2005年的日降水数据集,它在中国地区具有更高的分辨率(0.05°)和更高的精度。(4)在淮河上游息县流域分别将原始TRMM降水、CNN-LSTM融合降水以及地面雨量站降水数据作为SimHyd水文模型中的降水输入进行径流模拟,其结果表明CNN-LSTM降水融合模型能够有效改善原始TRMM降水数据在水文模拟上的应用效果,融合后的降水数据能为缺资料地区提供较为可靠的降水数据源。