由于气象监测站点与农业园区存在空间和海拔上的差异,这对气象数据的预测效果和预测范围产生了一定的影响,园区中的短时区域性空气温湿度的预测准确度难以提高,此类问题仍然制约着各地区农业生产水平的发展。深度学习算法是近年来用于气象预测问题的有效方法,但是独立的深度学习预测模型难以达到组合模型的稳定和高精度的预测效果。针对以上问题,本文以试验示范站采集的气象数据为研究对象,研究了基于深度学习的区域性空气温湿度预测方法,主要工作总结如下:（1）通过分析气象数据的特点,针对原始气象数据中存在的噪声和缺失值问题,使用k近邻算法和数据加权补充等方式对缺失值进行处理,使用统计量分析、离群点检测等方式对异常值进行检测,最终得到有效数据21万条。针对气象数据由于量纲不同以及数据的大小和范围不同会对实验效果产生影响的问题,使用归一化公式对数据进行预处理。最后将处理过的数据使用滑动窗口的方式进行重构,为后续气象数据的预测实验奠定基础。（2）针对单一的时间序列预测模型预测精度不高的问题,使用组合模型对空气温湿度进行预测,采用空洞因果卷积对气象数据进行特征提取,GRU和Skip-GRU方法用于提取气象序列数据的长时间性和长周期性依赖关系,改进注意力机制算法用于提取数据相关性,并获得时间相关性依赖,提高预测精度,最后结合自回归模型学习数据的线性相关性。针对人工选取的模型超参数难以达到最优组合的问题,使用改进粒子群算法寻找超参数的最优解向量。结果表明,对1-24小时、未来2-3天的不同地区的不同季节的空气温湿度预测实验中,本文提出的组合模型比传统的预测模型的平均绝对误差最高降低17.34%。（3）为更好地将本文提出的预测方法应用到实际中,本文设计并实现了基于温湿度预测的小程序系统:在分析小程序的需求的基础上,将模型移植到小程序后台,设计与开发了具有2个主要功能模块的小程序客户端,最后对系统一周内的空气温湿度预测精度进行了测试,测试结果表明,本文提出的方法在1-24小时内空气温度的平均绝对误差分别为2.06℃和10.25%RH,验证了系统的有效性、实时性和预测的准确性。