在全球生态环境问题日益突出,对世界影响加剧的背景下,针对气候变化的研究已经不仅仅是一个学科问题,更是人类共同关注的社会问题。其中,近地表气温作为重要的气候参数之一,在地球系统、大气系统及地-气物理过程中发挥着关键性作用,其变化也一直被各国学者广泛关注。近地表气温的变化与人类活动、气候变化、农作物生长、疾病传播及陆地水文循环等多个领域的研究和应用都密切相关。因此,准确估算空间连续分布的气温对于科学认知生态环境变化和气候变化研究等都是非常必要的。一般来说,近地表气温数据是通过气象站点实测的方式获取,空间覆盖范围有限。此外,气温的时空分布模式复杂,以点粗略代表面域难以准确表达出气温在连续空间上的异质性,给区域尺度相关研究的开展与分析带来显著不确定性。高精度空间连续分布的气温获取一直是研究与应用的挑战之一。遥感卫星技术的连续空间覆盖优势为气温估算研究提供了可靠的数据支撑,发展了一系列行之有效的算法。然而,现有研究对独立区域的气温估算还尚未发展出普遍适用的结合多源数据的高精度估算模型。此外,现有的气温估算研究仍存在一些缺陷与不足,如现有模型对数据的特征信息挖掘能力有限、模型中对影响气温的多类因素的综合考虑不足以及全局模型忽略了气温时空异质性的影响等。针对上述问题,本文提出了一种结合多源异构数据融合与深度学习理论的高精度气温估算方法。同时,考虑到气温的时空异质性,本文在上述模型的基础上顾及了区域与季节的差异,做出了相应的改进。最终以中国0.01°空间分辨率的日最高气温估算为例展开了研究,主要研究工作和结论如下:（1）提出了多源异构数据融合驱动的深度学习气温估算方法。本文引入了多源异构数据来综合表征各类自然和人为因素对气温的影响,并利用深度学习中的深度信念网络模型来深入挖掘多源数据间的复杂非线性关系,进而实现气温的高精度估算。通过与传统多元线性回归、BP神经网络和随机森林算法的对比实验,证实了深度学习估算气温的可行性及其在整体和各个时空尺度上模型性能的优势性（整体基于样本验证的RMSE=1.996°C,MAE=1.539°C,R=0.986）。并通过输入不同组合形式下的多源异构数据,深入分析了模型中各类数据对气温估算发挥的实质性作用。（2）顾及区域与季节差异对气温的影响,对多源异构数据融合驱动的深度学习气温估算方法进行了改进。考虑到气温存在明显的时空异质性,本文借助聚类算法对上述深度学习气温估算方法在全局上依据空间和时间属性进行划分,构建了特定区域和季节的局部模型。与全局模型的实验结果对比发现,顾及区域和季节差异的局部模型能明显提高气温的估算精度,在特定区域或季节的MAE值最高能降低0.2℃左右。（3）开展了气温估算结果的深入评价与分析。本文对多源异构数据融合驱动的深度学习气温估算方法的精度进行了整体和各个时空尺度上的分析,并探究了影响模型精度的各类因素,如模型参数设置、多源异构数据组合形式及站点数据分布密度等。此外,本文还详细对比了顾及区域与季节差异前后模型的精度变化。最后,消除了制图中的不确定性,实现了全国0.01°空间分辨率的日最高气温连续分布制图,并分析了气温分布的时空特征。结果表明,与模式同化气温对比,基于本文模型的气温制图空间细节信息显著,同时制图结果显现了明显的季节性变化特征。