资料同化是一种将数值模式和观测有效融合的重要手段,它不仅能为模式预报提供一个精确合理的初值,加深对大气状态演变的物理规律的认知,而且还能对观测系统进行交叉验证。因此,它一直是数值天气预报中一个非常重要的研究领域。集合卡尔曼滤波方法是基于经典的卡尔曼滤波发展而来,它利用预报集合构造预报误差协方差以取代经典卡尔曼方法中利用时间积分来生成预报误差协方差的过程,大大减少了计算时间。经过长期的发展,它已经被众多国际机构引入到业务同化系统中。尽管如此,它依然存在着许多问题,主要包括滤波发散、低秩、复杂的非线性观测算子适用性等。本文针对集合卡尔曼滤波方法中的局地化和协方差膨胀问题进行了重点研究,以下是本文的主要工作和研究内容:（1）针对集合卡尔曼滤波方法采用顺序观测同化时,由于局地化方法的引入导致的分析结果不稳定的问题,提出了一种新的观测排序方法。首先分析了常见的观测同化顺序对顺序集合卡尔曼滤波方法同化性能的影响,实验表明采用不同的同化顺序会影响同化结果;针对这些方法对同化系统参数的敏感性进行了测试,结果显示采用不同的方法会影响集合卡尔曼方法中局地化半径及膨胀因子等参数的最优设置。基于这些研究结果,提出了一种基于观测优劣评估的同化顺序确定方法,该方法以每个观测进入同化系统后得到分析场与背景场及观测场的距离之和为准绳,定义距离近的为较“优”的观测。基于这种判定规则给出了先同化“优”观测的方法（OBS-Bto W）来确定观测进入同化系统的顺序。基于集合平方根滤波的实验表明,与常见的观测排序规则相比,新提出的方法可以在不需要额外预报信息及真实场的情况下,以较小计算代价提高随机观测排序情况下的顺序集合卡尔曼方法的同化效果。（2）针对膨胀因子自适应调整问题,提出了一个基于新息量统计、时空依赖的自适应协方差膨胀方法SDACI。该方法将膨胀因子看成一个一维向量,以这个向量为自变量,基于新息量统计的结论构造一个目标函数。函数定义的主要思想是通过膨胀因子的调整,能够使更新后的预报误差协方差矩阵尽可能符合新息量统计中关于预报误差协方差、新息量以及观测误差协方差的统计关系。SDACI方法考虑了膨胀因子的空间分布,将膨胀因子的确定转化为目标函数最优化的过程。大量同化实验表明SDACI方法较仅考虑时间分布的膨胀方法而言,考虑了膨胀因子的空间分布,使同化性能有明显的提升。除了性能分析之外,本文还对不同膨胀方法的计算开销进行了分析和比较,结果显示SDACI方法由于需要在每个迭代步完成一次最优化过程,其计算开销明显大于固定膨胀方法。为了提高SDACI方法的计算效率,对其进行了并行化实现,实验表明并行后能有效缩短其计算时间,提高计算效率。（3）针对局地化方法中相关系数函数中特定参数选择困难的问题,实现了一种基于传统机器学习方法——随机森林的、时间依赖的自适应协方差局地化方法（RF自适应局地化方法）。该方法使局地化参数能根据集合成员大小、观测误差、模式变量等信息自动获得。其以特定的局地化函数为基础,从历史的同化迭代过程中提取和产生特征属性数据集合,将局地化参数的问题转化为一个预测问题。为防止高维模式系统中数据特征维度过度膨胀,采用了特征降维选取,从集合特征、观测变量特征、模式变量特征以及变量相关性特征等方面提取最具有代表性的变量来构成最终的数据特征集。利用随机森林对数据集进行训练,学习出回归预测模型。Lorenz-96实验表明,该方法有较好的泛化性能,能够较为准确地预测局地化方法中的特定参数,并在绝大部分测试算例中达到优于固定局地化的同化效果。