过去几十年,台风频频袭击我国,对沿海地区人民的生命和财产带来了不可估量的损失。如何准确预测台风路径,减少沿海地区人民损失,已成为当下热门研究课题。由于影响台风轨迹走向的因素众多,特征提取难度大,传统方法需要结合众多相关领域的先验知识,不仅耗时耗力,而且预测精度不高。近年来,随着深度学习技术的在众多领域取得突破,越来越多研究人员开始尝试将深度学习技术引入台风轨迹预测,取得了许多不错的成果。基于此,本文通过深度学习的方法进行台风轨迹预测,并通过多模型融合技术,对序列数据和图像数据预测结果进行融合,旨在提高现下方法预测精度,具体研究成果如下:1)针对台风轨迹序列数据,使用基于注意力机制的Seq2seq模型,提高预测精度。首先针对卡尔曼滤波算法结果受异常观测值影响大的缺陷,创新性地提出了改进的卡尔曼滤波算法,有效剔除野值,提升轨迹质量;接着针对轨迹采样过于频繁的问题,使用最小扇形简化算法,提升训练速度;最后建立深度学习模型进行台风轨迹预测,使用编码器和解码器解决序列输入输出不等长的问题,使用注意力机制优化模型的时序依赖,只关注关键的部分时序,剔除掉无关紧要部分。实验结果表明该方法能很好的利用数据特征和时序性,预测轨迹的走向。2)针对台风卫星图像数据,创新性地提出基于时序的GAN模型,提升预测精度。首先使用局部均值算法对图像数据进行预处理,以便更好关注图像局部特征;接着建立深度学习模型进行台风轨迹预测。传统的CNN网络生成图像是各种可能情况的平均值,生成效果不理想。而GAN模型是直接生成数据的分布,生成器负责从噪声数据中生成新的图像,判别器负责识别生成的图像“真伪”,二者动态博弈,直至纳什均衡。在GAN模型基础上,引入时序性,将前序时刻的图像作为输入,预测后序时刻的台风轨迹,能较好的提升现有方法在台风图像数据上的预测精度。实验结果表明该方法能很好学习轨迹的形状,应对突发情况。3)创新性地将序列数据和图像数据的预测结果进行多模型融合,进一步提升预测精度。不同算法对于不同的数据集表现不同,每个算法都有自己擅长的领域,进行多模型融合可以更好的“博采众长”。使用遗传算法GASEN进行多模型融合,通过遗传算法进化预测结果之间的权重,针对不同模型的优点对结果的融合进行加权平均。实验结果表明,融合后预测精度高于现有方法。