高效、精确的风速预测,对军事、航运、海洋风电新能源等领域的预警、管控与决策方案的制定与部署均具有极为重要的指导作用。然而,风速等气象要素信息受多种内外部因素影响,呈现出间歇性、非平稳性以及高复杂性等数据特征,使得构建具有广泛适用性与较高预测性的预测模型面临巨大挑战。对此,本文以数据特征驱动建模为核心思想,通过把握主要变量在时间维度上的波动特性、趋势规律与分布特征,结合深度神经网络模型,从“模态分解-深度集成”与“领域泛化-深度集成”两个角度探讨风速预测的有效建模,期望构建具有优异预测性能的风速时序预测组合模型。本文的主要工作包括以下几个方面:（1）从“模态分解-深度集成”角度出发,本文构建了一种基于变分模态分解与注意力机制的深度神经网络风速时序预测组合模型。该模型针对风速时序数据非平稳、非线性、随机性的特点,引入变分模态分解自适应时频分解算法对原始序列进行特征分解,以有效识别时序内部影响因子并准确把握时序变化的潜在规律。同时,基于特征驱动建模的思想,结合深度学习模型以其高效、灵活的拟合函数形式自组织、自学习地处理复杂性时序建模问题。针对传统递归神经网络处理长距离依赖的局限性,本文引入注意力机制,以并行计算的方式挖掘序列局部错综复杂的关联信息,有效表征数据间的相互影响,提升组合模型的实际预测效果。（2）从“领域泛化-深度集成”角度出发,本文构建了一种基于迁移学习的分布自适应深度神经网络风速时序预测组合模型。该模型根据领域泛化与最大熵原理的思想,针对风速时间序列数据分布统计特征随时间动态变化的特点,从迁移学习的视角关注如何从数据分布自适应的角度进行风速时序预测有效建模。该模型首先通过时序分布相似性量化与时序分布匹配,对原始时序数据序列进行有效划分,并最优化各子序列间的分布距离。采用分布关联权值评估方法,有效刻画各分布之间的领域相似性与关联影响,以实现一个分布自适应的模型。同时,结合融合注意力机制的深度神经网络挖掘序列内各数据点间的时序依赖关系,提升组合模型的预测性能。本文在真实观测数据集上进行验证实验,并与其他基准模型进行了充分的比对分析。实验结果表明,本文所提的风速预测模型在一定预测范围内具有较好的预测性能,展现出一定的实践与工程应用价值,为风速预测建模提供了新颖的研究视角。