随着全球气候变暖，极端天气事件如洪水和干旱日益频繁，对社会经济造成严重冲击，精准的气候预测成为应对这些挑战的关键。动力气候预测模式虽已成为季节性预测的主要工具，但受限于参数化问题、初始场误差及计算舍入误差等，其预测精度仍存不足，导致系统性误差。本研究基于北美多模式集合预报数据（NMME），提出了一种融合ResNet34和Unet的ResUnet后处理算法，通过将ResNet集成至Unet编码器，增强特征提取能力，从而提升预测精度。在NMME夏季降水预报后处理中，ResUnet显著提高了全球不同纬度地区的预测准确度，其均方根误差（RMSE）低于传统分位点映射方法，为全球气候预测提供了新路径。针对中国东部夏季降水的高不确定性和复杂环流条件，本研究进一步构建了区域化的ResUnet后处理模型。结果显示，订正后模型RMSE显著降低，预测精度提升约39%。通过多种因子重要性分析方法，研究发现中低层环流场与海表温度变化对中国东部降水影响显著。进一步评估表明，NMME在模拟西太平洋副热带高压及海表温度调制能力方面存在不足，若改进这些关键要素的模拟，将有望提升整体预测性能。本研究提出的ResUnet方法有效提高了全球及区域气候预测的准确性和可靠性，为应对极端气候事件、减少相关损失提供了重要支持，同时为动力模式的改进指明了潜在方向。