本论文是在中国气象局重大自然灾害预警与防范专项(项目编号:2017YFC1502000)的资助下完成的。本论文通过对ECMWF集合预报与ECMWF高分辨率数值预报对我国中部地区降水预报能力在确定性及概率性方面的预报能力进行了检验评估,得到了不同模式的各自优势并对不同模式的误差特征及产生原因进行了详细统计分析。在此基础上利用机器学习中的K-means聚类算法将我国中部地区根据预报特征的不同分为了8个区域,并对各个区域降水预报的特征及分级降水气候特征进行了详细分析;最后利用传统的Poor Man等权概率预报法及人工神经网络算法两种方法进行了分区暴雨降水概率预报计算,并对比两种方法对不同区域强降水预报的效果,具体研究内容概述如下几个方面:(1)首先利用传统的确定性预报的检验方法及改进了标准差的R指数对ECMWF高分辨率模式、ECMWF集合控制预报、ECMWF集合平均三种确定性预报结果进行确定性模式的检验分析。分析结果表明:ECMWF高分辨率模式对观测降水平均值的刻画较为随机且没有规律,总体上,集中度东部偏大,西部偏小;ECMWF集合控制预报平均值基本都大于观测,东南部集中度偏大,西北集中度偏小;集合平均预报的平均值分布较有规律,基本是西北偏小,东南偏大,且东部地区集中度偏大的现象被放大;综合而言,集合控制预报在集中度和平均值的综合度量下更靠近实况降水,但ECMWF高分辨率模式模式对实况降水集中度刻画最优。(2)通过传统的概率预报检验方法,以及为避免样本不均而导致概率预报评分不准确的情况而进行的“有降水BS评分”及“无降水BS评分”的计算结果,对ECMWF集合预报的概率预报能力进行检验评估,并利用Talagrand分布对其误差出现的主要原因进行了详细分析。分析结果表明:我国东南、华北及四川地区是集合离散度的高值区,降水可预报性较低,预报可信度小;我国西北地区为集合离散度的低值区,降水可预报性高,预报可信度较大。同时ECMWF集合预报在我国中部地区,特别是在四川及东南地区远远高于集合平均的标准差,需要适当缩减集合离散度,以使得集合预报系统更加集约。同时ECMWF集合预报的单模式等权概率预报对小雨的预报效果并不好,虽然可以增加预报的命中率,但同时也增加预报的空报率,而在中雨或大雨量级降水中的表现较好,可以为降水事件出现与否做出较为有价值的区分。在暴雨量级降水中虽然空报率低、但漏报率高、区分度不足,需要探究新的方法对ECMWF集合预报系统进行集成,以获得更多的不确定性信息。(3)通过利用概率预报与确定性预报检验的评分结果作为聚类因子,利用K-means聚类法进行聚类分析后,把我国中部地区分为了八个降水预报不同区域,然后综合对各个区域的预报特征及分级降水特征进行了总结分析。分析结果表明:区域2与区域4为北方地区暴雨降水预报的关键区,区域7与区域8为南方地区暴雨降水预报的关键区域,这些区域的暴雨以上(≥50mm)降水频率高,且由于地形、气候的复杂性,暴雨预报的准确度较低,因此需要进一步探究合适的预报方法。(4)利用人工神经网络算法制作分区概率预报与Poor Man集合概率预报法的预报效果进行了对比分析。分析结果表明:采用人工神经网络算法制作的暴雨降水概率预报结果比利用Poor Man集合预报法制作的概率预报准确度更高,预报的落区也更接近实况降水。且在区域2、4、7、8这四个区域的预报可信度较高,因此在这些区域利用人工神经网络算法制作概率预报较为恰当。