Este estudio propone una red neuronal profunda (DNN) como un marco de reducción de escala con características no lineales extraídas mediante análisis de componentes principales por kernel (KPCA). KPCA utiliza funciones kernel para extraer características no lineales de los datos climáticos de origen, reduciendo la dimensionalidad y eliminando el ruido. La DNN se utiliza para aprender las relaciones no lineales y complejas entre las características extraídas por KPCA para predecir patrones y tendencias de lluvia regional futura en el terreno complejo de las islas en Taiwán. Este estudio toma como ejemplos Taichung y Hualien, en ambos lados, este y oeste, de la Cordillera Central de Taiwán, para investigar las tendencias futuras de lluvia y las incertidumbres correspondientes, proporcionando una referencia para la gestión y uso de recursos hídricos. Dado que la Agencia de Recursos Hídricos (WRA) del Ministerio de Asuntos Económicos de Taiwán actualmente recomienda los modelos GCM del CMIP5 (AR5) para evaluaciones climáticas regionales de Taiwán, se emplean los datos de diferentes escenarios de emisión (RCP 4.5, RCP 8.5) simulados por dos GCM AR5, ACCESS y CSMK3, del IPCC, y datos de lluvia mensual de las regiones de caso desde enero de 1950 hasta diciembre de 2005 de la Administración Central de Meteorología (CWA) en Taiwán. Los parámetros del modelo DNN se optimizan en función de escenarios históricos para estimar las tendencias y las incertidumbres de la lluvia mensual futura en las regiones de caso. Los resultados simulados muestran que la probabilidad de aumento de lluvia mejorará en la temporada seca y se reducirá en la temporada húmeda a mediano y largo plazo. La lluvia de la temporada húmeda futura en Hualien tiene la mayor variabilidad. Varía de 201 mm a 300 mm, siendo los caminos de concentración representativos RCP 4.5 mucho más altos que RCP 8.5. El aumento y la disminución porcentuales medianos en RCP 8.5 son mayores que en RCP 4.5. Esto indica que RCP 8.5 tiene un mayor impacto en la lluvia mensual futura.