气候灾害如洪涝、干旱等常常给人类生命、国家经济和公共安全带来重大损失。为了应对这类气候灾害的威胁,提前进行有效地季节-年际气候预测,对我国减轻灾害损失至关重要。然而,无论是何等精细的模式,模式误差仍然不可避免,并且由于季节-年际尺度的气候预测时效很长,随提前预报时间的增长,模式误差会不断放大,从而导致气候预测技巧迅速下降。如何进一步提高气候预测水平是一个非常重要的科学问题。目前,针对预报误差开展订正技术是短期内提高预测技巧的有力途径。因此,本研究针对季节-年际气候预测这一难题系统地开展了预测新方法研究,通过对动力模式的海温(SST)、降水以及季风进行预测评估,深入认识了与季节-年际预测相关的可预报性特征。在此基础上按照动力-统计-深度学习相结合的思路,在改进传统订正方法、发展线性逆模型以及非线性深度学习算法等模式误差订正新方法做出了具有创新性的研究成果,并利用多个气候模式集合预测数据进行了试验验证,结果表明订正后的降水和SST季节-年际预测效果比原始模式预测有明显提升,显示出新方法具有良好的业务应用前景。本文所取得的主要结论包括:一、系统性地评估了动力气候模式对于季风、SST和降水的季节-年际尺度预测效果。分别从不同季节开始进行依赖于季节的经验正交函数分解(Seasonreliant Empirical Orthogonal Function,SEOF),分析了模式对不同季节起始的亚澳季风年际变率主模态的模拟能力。结果表明,模式总体上对第一模态的模拟能力好于第二模态。模式对从夏季开始的SEOF的第二模态主成分(PC)的模拟能力最差。模式的可预报性与ENSO(厄尔尼诺-南方涛动)关系紧密,从任意季节起始的SEOF分析,第一模态PC都与ENSO从暖到冷的相位一致,具有较强的信号。从夏季和秋季起始的SEOF分析,亚澳季风第二模态提前ENSO一年,然而从春季和冬季起始的SEOF分析,ENSO则领先亚澳季风第二模态。进一步对海温以及降水的评估结果表明,动力模式降水和SST预报技巧随提前预报月的增加而快速下降。二、利用逐步型态投影方法(SPPM)及改进的相似误差订正方法(ACE)对ENSO进行订正。2000年之后,随着ENSO多样性的增加,ENSO的预报技巧发生了明显地下降。为了提高两类ENSO的预报技巧,本文采用既可以提取预报因子场和预报对象场之间相关成分,又可以针对每一格点进行订正的SPPM方法对两类ENSO进行订正以及多模式集合试验。结果表明,该方法可以提高ENSO预报技巧。虽然多模式集合方法可以明显提高ENSO预报技巧,但其对两类ENSO的中心位置并无改善。经过逐型态投影方法订正再进行多模式集合的预报结果不仅有较高的ENSO预报技巧,还可以更好地区分两类ENSO。相似误差订正方法近些年应用广泛,本论文在前人研究的基础上,从模式自身进行相似选取,改进了相似误差订正方法,并对ENSO预报进行了订正以及多模式集合试验,提高了ENSO预报技巧。多模式集合结果显示出改进的ACE方法好于传统ACE方法。三、发展了气候线性逆模型误差订正方法(CLIM)。提出线性订正新思想,利用线性逆模型,结合模式历史误差资料对模式误差进行预报,发展了气候线性逆模型误差订正方法。以国家气候中心业务预报模式BCC＿CSM1.1M为试验平台进行了订正试验。滚动独立样本检验结果表明,该订正方法可以有效地提高模式降水预报技巧。另外,在模型中加入SST场信息,我国南方地区的降水预报技巧提高幅度会更加明显。CLIM方法对SST预报的订正试验提高了BCC＿CSM1.1M模式预报技巧。利用北美多模式集合(North American MultiModel Ensemble,NMME)多个模式分别对SST和降水预报进行了订正以及多模式集合试验,对比了订正前后各模式以及多模式集合的预报技巧。结果表明,CLIM提高了原模式降水以及SST的预报,且订正后的多模式集合具有更高的预报技巧。四、发展了基于深度学习的模式误差订正方法(DLEC)。利用深度学习先进技术,结合卷积神经网络和残差网络思想,实现了利用气候数据集,对气候要素场的误差订正。利用DLEC分别对降水和ENSO进行了订正试验,结果表明DLEC方法提高了降水预报技巧,并且在热带地区提高幅度更为显著。针对东亚区域开展了多方案的降水订正试验表明,将目标函数集中在东亚区域的订正试验,对于季节-年际尺度中国区域的降水技巧提高效果更好。进一步的多模式集合试验结果表明,DLEC订正后的等权多模式集合对降水预报技巧提高显著,其中东北地区,技巧提高幅度可达到0.4以上。DLEC对ENSO预报技巧改善同样显著,且随着提前预报月的增加,技巧提高幅度显著增加。经过DLEC订正后的多模式集合提前6个月Ni?o3.4指数技巧能保持在0.9,提前11个月预报的技巧仍超过0.7。