降尺度预报即是利用大尺度的数值预报产品生成精细化高分辨率的要素预报场,降尺度方法是精细化气象要素预报的主要方法,多年研究表明,统计降尺度法是一种有效的降尺度方法,其核心就是通过大量的历史观测资料建立大尺度气象要素场与高分辨率气象要素场之间的关系。本文中采用基于大尺度观测站和高分辨率自动气象站两种分辨率的观测资料,分别利用人工神经网络技术、天气分型技术、主成分分析技术三种方法,建立大尺度实况场和高分辨率实况场之间的关系,生成具有地方特色和实际天气学意义的非线性降尺度模型。本文利用2007-2012年夏季浙江省65个县市站和372个中尺度自动气象站的逐日降水资料、三个探空站逐日资料以及NCEP/NCAR水平分辨率1.0°×1.0°,垂直26层的多要素逐6小时客观分析资料。把浙江省372个自动气象站点分成3个区域分别进行研究。利用天气型分型方法与探空站的700hPa风向对夏季降水进行分型,在各自的分型下,以小尺度降水场的EOF时间系数作为预报变量,分别选取与其相关通过0.1显著性检验的大尺度降水场的时间系数作为预报因子。在风向和天气分型下分别利用人工神经网络方法建立降尺度预报模型,分别称为BP1模型和BP2模型。在本文中,分别研究了不同天气分型结果与不同风向配置下,浙江省小尺度降水场与大尺度降水场之间线性和非线性的关系,并将降尺度模型拟合效果同Cressman空间插值方法做对比分析。在不同风向和不同分型结果配置下的预报试验过程中,获得以下主要结论：(1)降水的分布型受风向的影响很大,而且降水的地域性比较显著。分析发现,不同风向配置下降水的大值中心、降水均值也会不一致,西南风、西风及西北风下浙北、浙西南和浙东沿海三个地区的降水均值均较大,而东南风下,浙东沿海的降水均值最大,因此对浙江省进行分区以及对降水进行分型是很有必要性的。(2)在BP神经网络模型预报因子的选取上,天气分型配置下选取的预报因子的个数比风向配置下选取的预报因子个数更多。(3)对比分析在一样的预报对象下,神经网络模型及线性回归模型的日降水拟合,结果表明非线性模型在拟合上好于线性模型。(4)神经网络模型中的BP2模型无论是在预报降水总和量和预报误差评价指标上来看,其预报效果均好于对应的BP1模型。(5)进一步讨论神经网络BP2模型的预报效果,挑选降水预测因子时,把雨量分等级划分,通过MRD指数(相对偏差)可以看出,BP2模型对暴雨的预报能力最好。在实际预报业务应用中,根据不同的雨量等级选取相应的降尺度预报模型。