Las propiedades y distribuciones de la precipitación a menudo están determinadas por patrones sinópticos específicos. Por lo tanto, la identificación objetiva de los patrones de impacto correspondientes es un campo de investigación importante para mejorar la predicción de la lluvia. Sin embargo, la identificación de los patrones meteorológicos que producen lluvias intensas es mucho más desafiante. Dado que son violentos y locales, los patrones de impacto tienden a ser sistemas meso o de menor escala y a menudo se presentan de manera incompleta o solo en regiones limitadas. En este artículo, se propuso una red de aprendizaje profundo con un módulo de fusión de características, FConvNeXt, para abordar esta dificultad y mostró un gran potencial. Se estudiaron cuatro patrones principales correspondientes a lluvias intensas en la región de Beijing-Tianjing-Hebei. Las pruebas estadísticas mostraron que FConvNeXt tuvo un mejor rendimiento que ConvNeXt y ResNet y que el modelo pudo identificar el tipo de forzamiento sinóptico débil, el tipo de alta presión subtropical y el patrón de vórtice bajo con alta precisión. Además, se probó un conjunto de datos de 2021 estrictamente independiente, y FConvNeXt mantuvo un rendimiento igual, si no ligeramente mejor, a pesar de una disminución en el tipo de alta presión subtropical. Mientras tanto, el estudio mostró que la precisión en la identificación del tipo de vaguada de nivel superior es la más baja para los tres métodos de aprendizaje profundo, lo que puede deberse a que el vórtice noreste fue interceptado en la región limitada, lo que dificulta distinguirlo del tipo de vaguada de nivel superior poco profunda. Este estudio es útil para mejorar el objetivo fino de la predicción de lluvias intensas.