为了扩展气象业务中数值模式历史再预报资料在延伸期集合预报产品中的应用性,以及分析出延伸期集合预报各成员的预报技巧,本文使用欧洲中期天气预报中心（ECMWF）模式资料,主要针对华东地区（23°N～38.5°N,113°E～123°E）在夏季（6月～10月）过程中预报时效为30～45天的延伸期集合预报的月降水预报结果进行后处理技术订正与分析的研究。一、使用统计学方法分别对集合预报历史再预报与集合预报实时延伸期预报进行预报成员分析,根据离散度和均方根误差评估分析了集合预报成员以及集合平均预报的应用效果,结果表明:集合平均预报可增加与集合预报成员间的互相关性,为本文构建特征工程提供理论依据。二、采用历史偏差订正方法对延伸期降水集合预报资料与双线性插值实测降水资料进行对比,根据平均绝对误差和系统偏差评估了该订正方法,结果表明:本文中历史偏差订正效果在各预报时效中的误差没有得到较明显的改善。三、基于AdaBoost、Bagging、随机森林、梯度提升回归、贝叶斯岭回归5种机器学习回归预测模型后处理算法,展开了延伸期降水集合预报的订正分析。通过组合历史再预报资料中多个年份（1999年～2018年）的集合平均预报、集合中位数两种数据集构造特征工程进行训练,从预报时效、时间序列、空间分布、比率值四个检验角度分别对延伸期集合预报在订正前后的平均绝对误差、系统偏差、离散度的变化进行分析对比。结果表明:（1）在30～45天预报时效中,5种回归预测模型分别使用两种数据集构造特征工程进行订正后的平均绝对误差、系统偏差均优于集合预报订正前的结果,其中使用集合平均预报数据集构造特征工程的回归模型订正效果优于集合中位数预报,而且AdaBoost算法的订正效果最明显。（2）在时间序列趋势变化中,5种回归预测模型在6～10月的集合预报订正后的误差波动较小且趋于稳定,其中在7、8月份的回归订正后的平均绝对误差明显低于集合平均预报,订正效果更好。（3）在误差空间分布中（不包含台湾省及海域）,5种回归预测模型订正后的平均绝对误差、系统偏差在华东地区北部（31°N～38.5°N,113°E～123°E）尤其是平原地区明显降低,其中AdaBoost算法、贝叶斯岭回归算法的订正效果更好。（4）在离散度与均方根误差的比率值R中,5种回归预测模型订正后,对应30～45天预报时效的R取值区间由[0.03,0.30]扩展到[0.65,0.91],且波动值稳定在0.75左右,即机器学习回归订正模型增强了集合预报扰动的合理性。（5）数值模式预报中历史再预报资料对延伸期预报具有提升预报技巧的作用。综合多个角度的分析与对比,本文研究中基于5种机器学习回归预测模型使用集合平均预报数据集构造特征工程对延伸期降水集合预报后处理的订正方法,其订正效果在平原地区的夏季（7、8月）表现更好。