热带气旋(即台风或飓风)因其发生频次高、危害程度大、影响范围广和灾害链长等特性对人类生活和自然环境产生了巨大的影响。一直以来,对于热带气旋及其特性的研究受到众多专家学者的关注,其中对于气旋轨迹的研究更是该领域的重点研究课题之一。传统的热带气旋轨迹预测方法主要分为动力学方法(又称数值预测模型)和统计模型。尽管以上方法在一定程度上取得了不错的预测效果。但是也有一定弊端,其中动力学方法依赖强大的计算能力和动态建模气象状态的能力。传统的统计方法往往需要手动特征提取,效率低且依赖专家的领域知识。另外在全球变暖等这极端气候的影响下,强热带气旋有逐年诸多的趋势,影响气旋的外部因素愈加复杂,这也增加了轨迹预测的难度。总的来说,当前热带气旋轨迹预测瓶颈主要在于:(1)难以解决时间维度的长期依赖问题,造成长期预测性能不佳(2)缺乏考虑风眼外围云墙区、螺旋雨带区等特征对于轨迹的影响,难以提取气象因素与轨迹之间的时空关联特征,造成极端气旋轨迹预测困难(3)没有充分利用多种类型的数据,实现不同模态之间的价值互补,导致整体预测效率和准确性遇到瓶颈。鉴于近几年深度学习方法被证明能从大规模数据中自动提取数据之间的空间和时间特征,并且对于复杂结构的数据预测非常高效和准确。深度学习方法为热带气旋轨迹预测目前面临的瓶颈提供了新的解决途径。基于此,本文使用多种模态的热带气旋相关数据,构建新颖的基于多模态数据的集成神经网络轨迹预测模型。在一定程度上解决长期预测困难、极端路径预测性能欠佳等问题。本文的主要研究内容如下:(1)针对数值型最佳轨迹数据中的气旋自身属性和气象因素,构建新型的基于数值数据类型的预测模型。首先使用自相关、偏自相关分析确定最佳输入历史时间。然后提出结合降噪自编码器和基于注意力机制的序列到序列网络的神经网络架构,其中降噪自编码器在进行特征的重构和关联特征的提取的基础上实现降维。序列到序列的网络用于进行长期时序特征提取。(2)针对卫星遥感图像,构造新型的基于图像数据的预测模型。首先对于从图像数据到数值数据难以映射的问题,将预测目标(经纬度值)转化为密度图。接着在充分考虑台风风眼外围云墙区、螺旋雨带区等因素对轨迹产生的影响的基础上,采用基于空间注意力机制的Conv LSTM进行全局和局部的时空特征提取。并且整体使用编码-预测架构实现对极端气旋路径的精准预测。(3)充分使用多种模态数据,弥补单一数据造成的结果偏差。提出新型基时空轨迹的集成方法,将预训练的基于数值数据的预测网络和基于遥感图像数据的预测网络整合,构建基于多模态数据的集成神经网络轨迹预测模型,实现对跨度时间范围长的、路径极端的热带气旋轨迹的精确预测。