局地天气预报一直是天气工作者最为关注的问题,由于全球预报模式的分辨率较低,近地面边界层的物理过程,以及受下垫面影响的动力过程和热力过程在局地尺度的模拟及预报效果并不理想,使得全球预报模式对地面气象要素的预报准确性不能达到令人满意的效果。因此,为了得到更为准确的局地天气预报结果,需要对全球预报模式输出结果进行降尺度。统计-动力相结合的降尺度释用技术(即模式输出统计技术)不仅能弥补动力降尺度法的不足,而且它计算量小、易于操作,很适合基层气象台站的推广使用。它已成为很多发达国家现代天气预报业务的重要工具,特别是在数值模式的后处理中已成为不可缺少的一部分。本文在前人研究工作基础之上,根据实际需要,从科研和实际应用两个方面全面探索和研究模式输出统计中存在的一些问题并针对这些问题给出一套完整的解决方案。全文以模式输出统计(MOS)技术的理念为核心,紧紧围绕这一中心思想,针对模式输出统计中的预报因子选择问题,预报模型建立问题,进行了深入的研究和试验,取得了很多令人鼓舞的结果。文中试验选取青海省内25个气象站和环渤海地区23个气象站作为研究站点,以2003年1月1日—2009年12月31日的国家气象中心T213L31全球中期数值预报模式逐日输出产品以及上述气象站点的地面观测资料作为试验资料,以最高温度、最低温度和降水三个人们最关心的要素作为试验对象。本文利用相关系数和逐步回归方法进行统计降尺度的因子选择,因子选择的试验表明：预备因子数虽然从总体水平上对最终的命中率不太敏感,但对于个别站点而言,不同的预备因子数会对预报结果的好坏产生一定的影响;通过对F值的试验可以看出,基本上所有台站预报结果的命中率不受F值的影响,但F值不易过小,因为F值太小会造成预报结果的不太稳定。对于加入历史实况作为因子的试验来说,其冬季的预报效果,特别是短期(24,48小时)的预报效果得到了明显的改善,而对于夏季,其效果就不明显。在以温度为代表的连续要素建模中,本文重点对神经网络进行了深入的研究,结果表明：神经网络的随机权重初始场的权重值,如果服从高斯分布将能使神经网络能更好的向最优解靠近,采用多次初始化初始权重的方法和动态隐层神经元数的方法能让神经网络更好的逼近真实值。通过对环渤海地区冬季最低温度和夏季最高温度的预报试验发现,神经网络与多元回归方法的预报效果平分秋色；在冬季和夏季的部分预报时效中BP-神经网络比逐步回归的评分有一定的提高,有些时效的预报效果并不如逐步回归好。这说明网络在某些时效中的泛化能力不强,还需要进行更多的研究。降水预报方面,改进的k-NN方法在一定程度上克服了数值预报空报偏多的现象,改善了降水预报效果。以验证样本和训练样本的TS评分为目标规则的神经网络(神经网络2)训练得到的最优权重模型,比单纯以训练样本的TS评分为目标的神经网络(神经网络3)得到的最优权重模型的泛化能力要强。神经网络2的预报结果整体要比神经网络3预报效果好,神经网络3在部分站点甚至不能很好的做出预报,当然在个别站点的个别时效神经网络3的预报效果也会比神经网络2的预报效果要好,但整体上神经网络3存在不稳定和泛化能力不足的问题。k-NN方法的预报效果却比较稳定,结果也不逊色。虽然神经网络2预报的结果虽比k-NN方法的预报效果好,但是神经网络2的训练时间确是k-NN方法的训练时间的几百倍。这两种方法各有优缺点,所以在业务运行中,应同时使用这两种方法,取长补短。研究的目的是为了服务于实际业务需要,本文以我们自主研发的青海省中短期数值预报释用系统和葫芦岛中期数值预报释用系统为例,从应用方面全面介绍两个系统的预报系统框架搭建问题和两套系统的优缺点。青海省中短期数值预报释用系统是我们的第一套自主研发的数值预报释用系统。该系统已在青海气象局气象台投入业务使用,其短期预报工作者对该系统24小时的温度预报给出了较高评价,认为有较高的准确率,为贵单位提高温度预报质量做出了贡献。而葫芦岛中期数值预报释用系统可以说是对青海省中短期数值预报释用系统的一次全方位的升级,它吸取了青海省中短期数值预报释用系统中的先进的理念和技术,总结了青海省中短期数值预报释用系统在实际业务中出现的问题,重新设计了整个系统的框架,使得整个系统能更好的适应科研和业务多方面的需求。