对流可分辨尺度集合预报在强对流天气预报上有着重要的作用。本文利用一种新型局地增长模培育法（Local Breeding Growth Mode,LBGM）,对两个飑线个例开展了对流可分辨尺度集合预报试验,检验了LBGM法在飑线天气中的实际预报效果,探讨了不同分辨率下的LBGM扰动的增长特征。随后,考虑到局地范围内格点差异性,提出了高斯权重,并进行集合对比试验。主要结论如下:首先,针对集合平均（Ensemble mean,EM）预报强度不足和高分辨率下评分不合理等问题,引入概率匹配平均（Probability matched mean,PMM）和分数技巧评分（Fractions skill score,FSS）对LBGM预报效果进行合理检验。在飑线结构模拟和强降水预报上,LBGM优于BGM。PMM和EM能够预报出回波位置,且PMM对强对流天气指示作用更好。FSS比传统ETS更好地反映对流可分辨尺度集合预报能力,特别是在大暴雨量级降水评估上。EM对于小雨、中雨和大雨级别降水的预报技巧高于PMM,PMM对于暴雨和大暴雨级别降水更有优势。其次,9km和3km两种不同分辨率下的LBGM扰动到达饱和时间均为24-30小时。扰动饱和后,低层和高层的扰动形态变化均受流场形势影响。低层扰动形态变化较快,而高层相对稳定。不同个例之间,动能谱结构也不同。对于大尺度强迫强的个例,谱能量主要集中于大尺度范围,而大尺度强迫弱的个例,其部分谱能量分布于中小尺度范围。相较于9km,3km分辨率下培育的扰动能够包含小尺度信息。最后,针对LBGM中未考虑局地半径内格点之间差异性的问题,提出了高斯权重——局地半径内的格点对中心格点的影响随着距离的增加呈高斯函数衰减。与原LBGM的等权重的对比结果表明,高斯权重增加了局地特征,使得初值扰动形态分布上具有更明显的流依赖性。高斯权重能够使初值扰动包含更多的大尺度信息,对中尺度信息也略有改善。对于非降水变量的预报,高斯权重改善了预报均方根误差与离散度的一致性,提高了风场、温度场、位势高度场以及湿度场的预报技巧。对于降水预报,高斯权重成功地模拟出降水结构,能够为飑线降水的演变过程提供更好的概率预报结果。