降水是径流变化的主要驱动因子,也是区域水文过程的重要组成部分,而洪水预报主要依靠水文模型来模拟水文过程,降水在其中扮演重要的角色,因而其必须有足够的精确性和实时性。但降水有较高的时空变异性,因此获取高质量的降水数据对于防洪减灾有着不可或缺的意义。地面雨量站降水观测数据虽然满足精确性和实时性,但其分布的不均匀性和高稀疏性限制了在水文模拟的进一步应用。气象卫星可以提供覆盖范围更广泛的降水信息,出现了“自顶向下”（top-down）和“自底向上”（bottom-up）两种降水观测估计的方法,前者通过分析降水的成因,如云顶含水量,得到瞬时降水值,后者通过分析降水的结果,如土壤湿度,得到累计降水值,两种方法可有机地结合并作为地面降水的补充。但实时的卫星数据由于没有经过后处理存在系统误差和数据缺失,所以开展基于卫星-雨量站数据融合以提升降水观测精度。当前已有很多关于降水融合的研究,但是,多数方法仅考虑单一卫星数据且对于数据缺失未进行有效处理。本文提出不同机器学习融合模型,包括多种神经网络模型:Multilayer Perceptron（MLP）,Long Short-Term Memory（LSTM）和集成学习模型:Extreme Gradient Boosting（XGBoost）,Light Gradient Boosting Machine（Light GBM）,Categorical Boosting（Cat Boost）,同时融合Tropical Rainfall Measuring Mission（TRMM）3B42-RT卫星实时降水、Advanced Scatterometer（ASCAT）-NRT卫星实时土壤湿度和雨量站数据,得到最优降水融合模型,同时利用降噪编码机（Denoising Autoencoder,DAE）和生成对抗填充网络（Generative Adversarial Imputation Networks,GAIN）两种缺失值填充模型,解决数据缺失问题。通过在荆江流域29个雨量站数据上的实验结果表明:（1）加入卫星土壤湿度数据后,相较于仅使用卫星降水和雨量站数据,可显著提升融合降水产品的精确性。（2）通过定量评估对比可知,集成学习模型整体上好于神经网络模型,其中XGBoost的均方根误差和相关系数指标最优,而Light GBM平均绝对误差指标最优,通过评估不同降雨强度下两个模型的融合效果可知,Light GBM得到的融合降水分布在整个区域内更加贴合真实降水,因此将其作为研究区域最优降水融合模型。（3）Light GBM降水融合模型在输入DAE填充后的土壤湿度后得到的结果最优,可将原始TRMM数据在研究区的平均绝对误差和均方根误差分别降低17.95%和23.76%,相关系数提升至0.773,提升17.83%。（4）融合后得到2007-2013年的日尺度降水数据,在荆江流域有更高的分辨率（0.1°）和精确性,可为缺资料地区提供数据支持。