Un pronóstico preciso de las trayectorias de los tifones es crucial para la advertencia y mitigación de desastres. Sin embargo, los modelos numéricos de predicción del tiempo existentes, como el modelo de Investigación y Pronóstico del Tiempo (WRF), aún presentan errores significativos en los pronósticos de trayectorias. Este estudio tiene como objetivo mejorar la precisión del pronóstico corrigiendo las trayectorias pronosticadas por WRF utilizando modelos de aprendizaje profundo, incluyendo Bidirectional Long Short-Term Memory (BiLSTM) + Convolutional Long Short-Term Memory (ConvLSTM) + Wide and Deep Learning (WDL), BiLSTM + Convolutional Gated Recurrent Unit (ConvGRU) + WDL, y BiLSTM + ConvLSTM + Extreme Deep Factorization Machine (xDeepFM), con una comparación con el Filtro de Kalman. Los resultados demuestran que el modelo BiLSTM + ConvLSTM + WDL reduce el error de predicción de trayectorias a 72 h (TPE) de 255.18 km a 159.23 km, lo que representa una mejora del 37.6% en comparación con el modelo WRF original, y exhibe ventajas significativas en todas las métricas de evaluación, particularmente en indicadores clave como Bias, Error Cuadrático Medio (MSE) y Secuencia. La descomposición del MSE valida aún más la importancia de las capas BiLSTM, ConvLSTM, WDL y Normalización Temporal (TN) en la mejora de la capacidad del modelo para capturar características espaciotemporales.