随着大数据与人工智能的发展,众包逐渐成为一种新兴的数据采集方式。利用众包收集到的降水资料理论上可以支撑更精细的水文研究。然而,考虑到众包项目的参与者、数据采集工具和采集环境等条件不比专业的气象站,其搜集到的资料必然存在一定程度的异常数据,进而降低数据的可用性。因此,实现降水众包的异常检测成为其能有效发挥众包优势并进一步应用的必要前提。本研究通过自主设计的降水众包模型与GPM IMERG-F遥感降水产品提供的2018年逐日降水数据,共模拟生成了七套众包降水报告,各报告之间存在不同的干扰方式、正常率或参与率。根据降水与众包的特点,设计了基于随机森林的异常检测模型（CPRAD模型）,用于识别各众包降水报告中的异常降水值。CPRAD模型的识别结果通过混淆矩阵与各项统计指标评估。将经过CPRAD模型处理的众包数据整理为一、二级降水产品并进行精度评估。最后,将处理后的二级降水产品输入到已构建好的VIC（Variable Infiltration Capacity）水文模型中,并对其径流模拟结果评估分析。研究得到如下结论:（1）CPRAD模型可以准确识别正、异常报告,显著提升数据产品的精度。根据模型识别结果制作的数据产品拥有良好的水文应用效果。（2）对CPRAD模型影响相对明显的因素为干扰方式。其主要通过影响异常降水值在不同区间的出现频率,进而影响CPRAD模型对相应区间的过滤倾向。尽管这种过滤倾向将导致特定区间的正常报告有较高概率被过滤掉,但众包数据规模上的优势有效抵消了部分影响。数据产品整体的精度和水文应用效果仍能保持在较高水平,其降水空间分布重塑能力好的优势得以发挥。（3）CPRAD模型可有效过滤不同类型的异常报告,保证数据产品质量。校正后数据的误差主要源自原始报告中的系统误差。径流模拟结果也表明,使用校正后的众包降水数据驱动VIC水文模型,其结果的误差也表现为系统性偏差。相较于利用雨量站数据的径流模拟结果,利用校正后众包降水数据的模拟结果具备进一步的校正潜力。