Basado en los datos de reanálisis del Sistema de Asimilación de Datos de Tierra de la Administración Meteorológica de China (CLDAS) y en las previsiones de temperatura del aire en superficie (SAT) de 12 a 72 horas del Centro Europeo para las Previsiones Meteorológicas a Medio Plazo (ECMWF) y tres modelos numéricos de predicción del tiempo (NWP) de la Administración Meteorológica de China (CMA-GFS, CMA-SH y CMA-MESO), se realizan pronósticos de conjunto multi-modelo con una red neuronal convolucional (CNN) y una red neuronal de avance (FNN) para mejorar la previsión de SAT en la provincia de Henan, China. Los resultados muestran que hay grandes errores en las previsiones de SAT de 12 a 72 horas de la CMA, mientras que el ECMWF supera a los otros modelos NWP en bruto, especialmente en el este y sur de Henan. La CNN tiene las mejores habilidades de pronóstico a corto plazo. La diferencia en la distribución geográfica de los errores de pronóstico de la CNN es pequeña, sin áreas de gran valor aparente. La CNN muestra sus ventajas en la corrección de sesgos en la región montañosa (oeste de Henan), lo que indica que la CNN puede capturar las características espaciales de los campos atmosféricos y, por lo tanto, es más robusta en regiones con topografía variada. Además, la CNN puede extraer características de datos a través del núcleo de convolución y centrarse en características locales; puede asimilar las características locales a un nivel más alto y obtener características globales. Por lo tanto, la CNN aprovecha los cuatro modelos en la previsión de SAT y mejora aún más la habilidad de pronóstico.