举世瞩目的2022年冬季奥林匹克运动会将在北京和张家口举行,其中70%的雪上项目在张家口崇礼赛区举行。气象条件是不可控因子,也是影响冬季奥运会能否成功举办的关键因素之一。由于崇礼赛区山峰林立、沟壑纵横,同时气象资料积累较少,因此提高复杂地形下气象预报的准确性具有极大地挑战。除了小概率的暴雪、低能见度、大风、沙尘等高影响天气事件的预报难度较大外,常规要素温度的预报也面临着不小的难度。同时气温的定点预测也是北京2022年冬奥组委会十分关注的气象难题之一。尽管目前数值预报模式在气温预报方面有较大进展,但在山区复杂地形下的预报准确率仍然较低,需要采用多种方法予以订正。本文针对中小尺度5公里的精准区域内复杂地形的气温预测展开研究,主要工作和创新点包括以下几个部分:（1）构建了崇礼赛区核心观测站点数据集。为了解决冬奥核心赛区的气温预测需求,提出根据气象观测站的位置信息进行精确检索定位,实现点对点式核心赛区数据集的构建。使用双线性插值法对物理预报初始场的数据完成抽取,并在统一时间尺度下抽取历史观测数据。为了保证数据的时序性,构建了三维张量数据集。（2）优化了数据集和特征要素。为了更好地发现核心赛区的气温变化规律,对近两年的冬季观测数据进行最佳预测时段分析,筛选出最佳的时间序列用于气温预测。使用基于回归树嵌入式方法完成特征重要程度分析。根据气象相关先验知识,对部分初始物理量完成优化,重新计算初始特征。（3）提出了一种基于Stacking策略的异质融合模型,提升了定点预测的准确率。选用机器学习中的多种集成策略方法和单一回归算法,构建了基于Stacking策略的异质融合模型。实验结果表明,在核心赛区的精准预报中,应用本文提出的异质融合模型对气温预测的准确率相比于传统的数值预报模式提高了15%左右,将气温的预报误差严格控制在2℃以内。（4）构建了基于时间序列卷积神经网络（Temporal Convolutional Network,TCN）的定点气温预测模型。为了进一步优化预测值,增强序列之间的相关性,提出了基于时间序列卷积神经网络的定点气温预测模型。经过实验对比分析,结果表明TCN模型预测的误差离散程度小于异质融合模型,有效地改善了异质融合模型预测准确率随时间下降的问题。