准确的季节性降水预测能够有效的减少洪涝和干旱带来的损失。由于现有全球气候模式在动力框架、分辨率以及参数化方案等方面存在不足，其在东亚地区的降水季节预测技巧较低。近年来，深度学习技术的快速发展为地球科学领域提供了新的工具，逐渐成为提高气候模式预测能力的有效途径之一。本文基于中国科学院地球系统模式（CAS-ESM）开发的动力季节预测系统（IAP-DCP）预测的大尺度环流等关键变量，结合基于改进的U-Net模型构建了一种中国夏季降水预测模型，并通过引入变率约束条件显著提高了IAP-DCP对中国夏季降水预测技巧。结果表明，在测试期间该模型MAE指标上与国际先进的动力模式接近，对于ACC有显著的提高50%以上。此外，该模型在中国各个区域都表现出了显著的优越性和稳定性，对于所有的测试个例全国大部分区域预测降水正负异常与观测的符号一致率在70%及以上。并且，该模型对2022年夏季南方极端干旱事件个例检验中，该模型几乎完美地再现了这一极端事件的特征。总体而言， BCU-Net显著且稳定地提升了中国夏季降水的预测能力，为深度学习与动力模式结合进行季节性降水预测提供了有力的思路和借鉴。

深度学习；地球系统模式；季节预测；极端降水