随着科技发展和社会进步,各个领域对预测模型的精度、稳定性要求越来越高。近年来,深度学习中的循环神经网络（RNN）技术,特别是其与另一深度学习技术-卷积神经网络（CNN）相融合的CNN-RNN架构在预测中显示出强大优势。但基于RNN的模型在预测任务中存在滞后性,流行的CNN-RNN架构也未解决上述问题。注意到宽度学习系统（BLS）具有权重计算直接、运算快速高效的优点,本文尝试融合宽度学习和深度学习的优势,提出新的深度-宽度预测架构。并将新模型应用于降水量预测中,以验证新模型的有效性。本文研究内容及创新点如下:1.融合宽度学习和深度学习的优势,提出了深度-宽度预测架构。针对单因素预测问题,提出RNN-BLS预测模型;进一步地,考虑到单因素预测模型无法考虑复杂任务中其他因素以及异常值对预测结果的影响,借助加权宽度学习系统（WBLS）能够减弱异常值对预测不良影响的优势,建立RNN-WBLS多因素预测模型。2.分析月降水量序列数据特点,考虑到RNN系列中的长短时记忆网络（LSTM）具有长期记忆功能,而完全集合经验模态分解（CEEMD）能够消除月降水序列中的噪声,建立CEEMD-LSTM-BLS单因素月降水量预测模型。选取湖北省具有不同地域和降水特点的五个代表性站点,进行实例分析。将新模型与多个预测模型进行对比分析。结果表明,不同站点、不同时间步长下,新模型在本文选取的所有评价指标上均表现最优。与流行的CNN-LSTM相比,新模型在均方根误差（RMSE）和平均绝对误差（MAE）上分别降低了约22.97%和24.15%,在决定系数（R2＿score）上提高了约8.43%。特别地,新模型与流行的CNN-LSTM模型相比,不但解决了预测时滞问题,而且对序列中强降水和干旱月份的降水数据拟合效果提升显著。运算效率上,LSTM-BLS和LSTM相比并未降低。3.针对日降水量序列数据特点,选取气压、气温、湿度、风速、日照以及降水量六个因素作为模型的输入,将LSTM-WBLS多因素预测模型应用在日降水量预测中。实例分析表明,新模型在本文选取的所有评价指标上均表现最优。与流行的CNNLSTM相比,新模型在RMSE和MAE上分别降低了约34.69%和38.28%,在R2＿score上提高了约6.98%。特别地,新模型不但拟合程度大大提高,而且解决了滞后性问题。在运算效率上,新模型和LSTM相比并未降低。