分钟级定量降水估计主要是通过多种气象观测信息获取某个范围区域内的序列降水信息,在降水尺度、时间分辨率和及时性上有极高的要求,目的是向决策者提供未来的、连点成面和逐分钟的降水预报变化信息。分钟级定量降水估计领域依赖于定量降水估计算法的发展,而目前的定量降水估计算法大多使用传统方法或者机器学习方法,这些方法大多都缺乏对多源异构气象数据的融合处理,难以适应实际气象业务的快速发展。本文主要针对气象领域中分钟级别的定量降水估计算法,基于混合时空气象数据提出了多种序列回归算法,开展了分钟级定量降水估计算法的研究。本文主要是根据多普勒雷达图像、风云4A卫星数据和地面气象站雨量计三类气象数据研究并建立了基于隐特征连续化的分钟级定量降水估计算法。目前国内外关于定量降水估计算法的研究无论是传统学习还是机器学习方法都存在很多缺陷,不仅没有彻底解决时空分辨率匹配的问题,而且在高降水部分的估计准确率也不是很理想。因此本文提出了一种基于隐特征连续化的分钟级定量降水估计模型。首先建模区域序列特征到中心点序列降水量的复杂关系,设计了空间缩放膨胀卷积网络用于提取雷达回波图像特征,通过隐特征连续化解决了输入和输出数据的时间分辨率匹配问题,最后通过时间卷积网络融合序列上下文信息并输出基于雷达回波图像的分钟级降水估测结果。在广东省2020年上半年的典型降雨过程进行了大量实验,结果表明该方法优于基准线方法,尤其在强降水部分的估计上效果显著。为了进一步提升高降雨部分的估测准确率,本文还提出了两种改进模型,分别是基于增量学习的在线更新模型和基于多源异构数据融合的雷达-卫星联合估测模型。在线模型通过短期历史标签数据微调模型使其能够以最小修改代价适配新数据流,雷达-卫星联合估测模型则通过通道注意力机制融合多通道卫星信息,多特征注意力机制融合雷达和卫星特征,实现了多源异构数据的融合。同样是在广东省2020年上半年的典型降雨过程做了对比实验,实验结果证明两种改进模型在高降雨场景下取得了明显改进,为分钟级定量降水估计方法提供了另外的设计思路。