【目的】在全球气候变暖背景下，降水的时空格局发生变化致使极端降水事件发生频率增多且强度加剧。区域降水作为流域水文过程研究的重要基础，因受到诸如高寒山区、冻土冰川等地理环境的限制而使得相关检测工作难以全面推进。因此本研究旨在提出一个优化多源降水精度的框架，为少资料或无资料地区的降水及水文模拟提供参考。【方法】以青藏高原地区的雅砻江流域为研究对象，基于19个气象站点的实测降水和ERA5、CHIRPS及HAR 3套降水数据集，引入地形因子和降水的季节特征，利用长短期记忆人工神经网络方法构建出一套多源降水融合的机器学习模型，并输出一套1981—2017年0.25°×0.25°的栅格降水数据。【结果】最终输出的多源融合降水产品在研究时段内与实测降水的皮尔逊相关系数由融合前的0.43提高至0.82，均方根误差从均值6.12 mm/d下降到5.45 mm/d，其平均临界成功指数、检测概率和误报率分别为0.64、0.92和0.33。基于最终输出的降水产品运用VIC水文模型分析得到研究时段内的纳什效率系数、相对误差和确定系数分别为0.80、1.39%和0.89。【结论】本研究所构建的多源降水融合机器学习模型在一定程度上可以提高雅砻江流域的时空降水产品质量，并为少资料或无资料区域获取高精度降水产品并进行水文模拟提供一定参考。