准确的降水估计对水资源管理、生态模型的模拟、自然灾害预防等领域都十分重要。目前,通过数据融合来提高降水数据的精度已成为研究的热点。机器学习的相关算法也逐渐被应用于降水数据融合中。本文应用多元线性回归(MLR)、前馈型神经网络(FNN)、随机森林(RF)和长短期记忆神经网络(LSTM)对四种卫星降水产品和一种再分析数据在中国区域内进行了融合,以相关系数(CC)、均方根误差(RMSE)、相对偏差(RB)、监测率(POD)、误报率(FAR)和成功率(CSI)为评价指标,综合分析了4种融合方法的优缺点,并简单探讨了数据量对于融合方法的影响。主要成果与结论如下:(1)开发了基于1年和5年历史年份的地面降水资料生成的融合降水产品(P1-MLR、P1-FNN、P1-RF、P1-LSTM、P5-MLR、P5-FNN、P5-RF和P5-LSTM)。(2)将地面降水资料(RGD)中的降水值作为实际降水值,采用六个指标(POD、FAR、CSI、RMSE、CC和RB)定量分析了基于目标年份同一年的地面降水资料交叉验证生成的融合降水数据(M-MLR、M-FNN、M-RF和M-LSTM)的误差和日降水事件监测能力。结果表明:与格点降水产品相比,M-MLR、M-FNN、M-RF和M-LSTM的误差总体上均变小,但仅M-MLR和M-RF的日降水事件监测能力总体上优于所有的格点降水产品。(3)M-MLR是(亚)热带季风性气候区和高原山地气候区中日降水事件监测能力最好的融合降水数据,也是夏季时日降水事件监测能力最好的融合降水数据,且在不同海拔地区均是日降水事件监测能力最优的融合降水数据。此外,MLR是中度降水情景中表现最好的融合方法。但是,MLR是轻度降水情景中表现最差的融合方法。M-FNN在所有区域的精度均是最差的,在春季、夏季、秋季的精度也最差的。但是,FNN在所有等级的雨量中均不是表现最差的融合方法。M-RF是所有区域、所有季节、所有海拔中误差最小的融合降水数据,在温带季风性气候区和温带大陆性气候区中是降水事件监测能力最好的融合降水数据,在春季、秋季和冬季时是日降水事件监测能力最好的融合降水数据。此外,RF是重度降水情景中表现最好的融合方法。M-LSTM在所有季节、所有海拔中均严重低估降水。但是,LSTM是轻度降水情景中表现最好的融合方法。(4)基于历史年份的地面降水资料进行训练模型,对格点降水产品进行融合,也能得到总体精度优于格点降水产品的融合降水数据。与基于目标年份的地面降水资料作为训练数据生成的融合降水数据相比,P1降水产品的误差更大,但P1-FNN和P1-LSTM的日降水事件监测能力均更优。(5)对于MLR模型,当用于计算权重的数据量分别为千级、万级、十万级、百万级时,其生成的融合降水数据(产品)的日降水事件监测能力总体上变化不大。并且,当用于计算权重的数据量为万级、十万级、百万级时,其生成的融合降水数据(产品)的误差变化也不大。对于FNN模型,当训练数据的数据量为十万级时,其生成的融合降水数据(产品)的精度最高。对于RF模型,其融合效果随训练数据的数据量增大而变好。对于LSTM模型,当其训练数据的数据量为十万级时,其生成的融合降水数据(产品)的日降水事件监测能力最优。其生成的融合降水数据(产品)的均方根误差RMSE和相关系数CC则随训练数据的数据量增大而改善。(6)与国际上流行的多源集合权重降水数据集(Multi-Source Weighted-Ensemble Precipitation,MSWEP)相比,所有P1降水产品和P5降水产品的精度均总体上优于MSWEP V1。