由于降水是在一系列复杂物理过程的影响下形成、受多种天气系统共同作用的气象要素,提高其预报准确性是气象业务与科研工作的重点与难点。本文基于CMPA逐小时降水和TIGGE提供的六种不同预见期24h累积降水的观测和模式资料,在福建及其周边地区采用贝叶斯模式平均（Bayesian Model Averaging,BMA）方法开展降水集合预报统计后处理研究。针对BMA方法结构修改角度,开展其对降水预报精度影响的研究,并对BMA预报方案进行优选;基于优选方案提出GBDT-BMA降水分级预报模型,开展分级降水预报研究;进一步,基于GBDTBMA模型开展各预见期降水预报试验,并对预报结果检验评估。该研究对提升降水集合预报准确性、降水预报业务应用具有深远意义。（1）基于选取不同参数估计方法（区域、格点尺度建模）、选择不同分布（正态分布、伽马分布）和应用不同数据转换方法（对数变换、幂变换）三个角度,进行BMA方法试验设计。在此基础上,开展BMA结构修改对降水预报结果影响的研究,并从确定性及概率预报、分级降水预报精度等角度进行BMA方案优选。结果表明:基于格点建模参数估计方法的BMA方案预报效果较优;BMA中各模式权重能一定程度反映其预报能力,权重越低的模式其自身预报能力也越差;选择伽马分布的方案晴雨、小雨预报效果较好,较原始模式预报准确率提升近50%;进行1/3次幂数据转换,应用伽马分布的BMA-D2-T2方案为最优方案。（2）为提升BMA方法中雨、大雨量级的降水预报能力,引入梯度提升树（Gradient Boosting Decision Tree,GBDT）和分类BMA方法,基于优选BMA方案提出GBDT-BMA分类降水预报模型,并在福建省三个代表站点进行试验。结果表明:在重量级降水预报中选择0.52分位点的预报结果,能进一步提升该模型的预报精度;该模型的中雨量级降水预报精度较最优模式有显著提升,其中福州站的中雨TS评分从0.55增长为0.82,提升了近50%;同时,各代表站的大雨量级降水预报精度均与最优模式持平或略有提升。（3）将GBDT-BMA模型推广到福建及其周边地区,开展不同预见期的24h累积降水预报试验,并从确定性及概率预报、分级降水预报和降水预报空间分布等角度对不同方案预报结果进行对比评估。结果表明,随着预见期的增加各方案的预报效果均略有降低;GBDT-BMA降水预报的中雨TS评分较原始模式提升超过70%,大雨量级预报精度也略有提高;GBDT-BMA模型可以更精准刻画出主雨带和无雨区域,有更为优越的预报性能。