对流尺度集合预报具有重要研究价值,同时也面临一定困难。论文首先基于传统的增长模培育法对一次飑线过程进行了对流尺度集合预报试验,对开展对流天气尺度集合预报亟需解决的关键问题进行了研究。在此基础上,考虑初始扰动增长的空间局地性和独立性,提出了一种新型的初始扰动生成方法,即局地增长模培育法,并利用该方法对此次飑线过程进行了预报试验。全文主要结论如下:首先,对初始扰动在对流尺度集合预报中的发展规律及其对预报结果的影响开展了研究。通过对扰动增长率、场相关系数以及扰动增长模的分析得出:在对流尺度集合预报中,扰动大约需要24小时即可达到非线性饱和。从扰动形态分布看,在低层,饱和后的扰动形态随流场形势的变化较大,在高层扰动的形态则相对稳定。在对流尺度集合预报中,采用10~20个成员构成集合是较为合理的。当集合成员的个数从1个增加到10个时,预报均方根误差急剧减小;从10个增加到20个时,预报均方根误差缓慢下降;当集合成员的个数大于20个后,预报均方根误差基本不再减小。由10个成员和40个成员组成的集合样本的平均离散度相差不大,即增加成员个数不能增大集合的离散度。由10~20个成员组成的集合降水评分要高于30个和40个成员的评分。其次,针对极端降水或大量级降水的集合平均预报和概率预报中固有的缺陷,分别引入了概率匹配平均法和邻近集合概率法生成降水的集合平均预报和概率预报结果,并引入小数Brier技巧评分对降水预报效果进行检验评估。结果表明,概率匹配平均法能够克服传统集合平均的缺陷,有效避免对降水极值的平滑与低估,特别适合降水量较大的情况。集合平均能够较好地反映降水落区,但集合平均后降水量偏小,而概率匹配平均法产生的降水量稍偏大。降水量较小时,集合平均产生的概率预报比概率匹配平均法效果好;降水量较大时,概率匹配平均法得到的概率预报效果较好,两者相互结合可以为业务预报提供重要参考。邻近集合概率法能够考虑格点之间的相互影响,弥补高分辨率模式在格点尺度上精度不够的缺点。小数Brier技巧评分在Brier技巧评分的基础上,将实况降水转化为连续的小数形式,对预报效果的评估更为精确。最后,论文设计并提出了一种新型集合预报方法——局地增长模培育法。该方法充分考虑了扰动增长的空间局地性,引入影响半径参数,并通过计算影响半径内的预报均方根误差与全场预报均方根误差之比,对扰动增长进行适时缩放。试验表明:局地增长模培育法得到的扰动具有明显的局地特征。另外,通过对五个扰动变量与五个近地面变量的研究,发现局地增长模培育法能够有效提高集合离散度并降低预报均方根误差。同时,通过改变影响半径发现,影响半径取为7~13个格点时,集合离散度较大。从离散度与预报均方根误差的比值来看,局地增长模培育法能够有效提高集合预报系统性能。从预报的风场环流形势、降水演变与雷达最大反射率因子演变的情况看,局地增长模培育法产生的集合预报能够得到利于强对流天气产生的环流形势,较好地预报出降水的演变以及飑线的时空演变特征。总体而言,LBGM法作为一种新的集合预报思路,可能更适合于高分辨率条件下的对流尺度集合预报。