精准高效的降水估计与预报对于农业、交通、水利、电力等多个行业都具有重要意义。得益于全球气象卫星监测的精密化,气象卫星观测数据正在持续爆炸式增长,如何有效挖掘海量卫星观测数据中隐藏的重要降水信息是提升卫星降水估计和预报性能的一大挑战。对于卫星降水估计,如何建模高时空分辨率的卫星观测信息与降水之间的非线性关系是提升降水估计的时效性以及精确性的关键。对于卫星降水预报,如何从卫星观测序列中提取大气运动演变的时空信息是提升降水预报能力亟需解决的问题。为此,本文利用深度学习技术解决上述问题,并分别针对两种极端情况降水（热带气旋强降水和干旱少雨地区降水）进行具体研究。主要研究内容如下:（1）提出了一种基于多任务卷积神经网络的热带气旋降水估计方法。针对如何从卫星云图中学习鲁棒的降水特征问题,该方法采用卷积神经网络自动提取卫星云图中与降水相关的空间特征,并通过非线性激活函数建立卫星观测与降水强度之间的非线性关系。另外,针对热带气旋强度变化会对降水产生影响的问题,该方法采用多任务学习的思路,即在热带气旋降水估计任务的基础上加入风力等级分类任务,通过卫星云图对近热带气旋中心的风力进行等级分类,以辅助提高降水估计任务的精度。实验结果表明,该方法可有效刻画降水空间分布细节,且加入风力等级分类分支的多任务网络能够进一步提升热带气旋降水估计的精度。（2）提出了一种基于Transformer的热带气旋降水预报方法。针对如何从卫星云图序列中学习降水趋势的问题,该方法在特征编码和解码阶段均采用三维卷积运算,在不影响时间信息的前提下,从卫星云图中提取与降水相关的局部空间特征。同时,在每个编码模块的最后添加了Transformer结构来进行时间信息和全局上下文信息的建模,以捕捉降水趋势并进一步提升模型降水预报的精度。实验结果表明增加了Transformer编码结构的方法能够有效学习降水趋势和空间分布细节,并且在降水阈值较大时可以有效提升模型的预报性能。（3）提出了一种基于两阶段卷积神经网络的新疆地区降水估计与预报方法。针对中国新疆地区干旱少雨和降水样本分布极度不平衡的问题,该方法首先利用卷积神经网络从卫星云图（序列）中自动提取与降水相关的空间信息,进而对固定位置处是否有降水做出判别,最后对被判别为有降水的位置进行具体降水量的估计（预报）。此外,考虑到地形对降水空间分布和强度的影响,该方法在降水量估计（预报）阶段引入地形和位置要素来进一步提高降水估计的精度。实验结果表明,该方法在站点观测以及格点降水产品的性能评估中均取得了优异的性能。