随着计算机技术的不断发展和提升,气象数据采集技术也越来越成熟,带来了海量气象数据信息的同时也为气象预测分析开辟了新的研究方向。传统的气象预测分析方法是基于统计学的方法,预测分析结果对历史数据信息的依赖性大,不易挖掘数据的深层特征。智能气象预测分析作为新的气象相关问题研究方法,对大规模数据集特征提取能力强,有利于发现潜在的气象规律,在挖掘数据深层特征上具有显著效果。本文课题来源于辽宁省气象灾害预警中心的实际业务需求,使用了深度学习方法建立基于历史形势场数据气象分析模型,主要进行了形势场数据预处理,形势场图像聚类分析,极端灾害天气形势场数据增强,使用Alex Net深度学习方法进行降水等级分析以及建立可视化查询系统等相关工作。首先,在数据预处理方面,主要完成对历史实况数据和历史形势场数据的数据处理工作,并以经纬度范围、国家气象站站点号以及时间戳为匹配依据,对历史形势场数据和历史实况数据进行数据匹配,匹配对应的高度场、温度场、湿度场和海平面气压场等十通道形势场数据,对形势场数据进行归一化处理,形成“场—实况”数据集,解决了数据不匹配的问题。此外,使用模糊C均值（Fuzzy C-means,FCM）聚类算法进行了形势场天气图分割,解决形势场数据在解析为高空天气图过程中会受到噪声和区域不均匀性的影响而导致等值线边界误分类问题。为解决辽宁地区极端灾害样本数据少的问题,采用深度卷积生成对抗网络（Deep Convolution Generative Adversarial Networks,DCGAN）生成方法对强降水、大风以及高温形势场数据样本进行数据增强。此外,研究了一种基于改进Alex Net方法的降水分类分析模型,致力于解决输入10通道数据下对Alex Net网络结构进行优化研究,该方法依据形势场数据特征能够很好的对降水等级进行分类。然后针对Alex Net学习过程中易出现的过拟合问题,在预测分析模型的优化过程中,利用正则化方法和Adam优化器进行优化,能够较好地以提升模型的准确率。最后,为方便用户操作大量历史实况数据和可视化形势场数据,本文构建了简单易用的形势场数据可视化查询系统。文末分析总结了工作取得的进展,评价了存在的不足,并对后续工作提出了展望。