[目的]为识别多源数据融合方法在区域高精度降水数据构建中的适用性。[方法]以塔里木河流域为研究区,对比了四种机器学习方法(随机森林、支持向量机、XGBoost及回归树)对区域多源融合降水模拟的效果差异,探讨不同卫星降水融合源(GPM IMERG-v06(简称GPMv06)和GPM IMERG-v07(简称GPMv07))及考虑NDVI对降水响应的滞后性对融合模型精度的影响。[结果] GPMv06和GPMv07均呈现高估低海拔降水、低估高海拔降水的特征。与GPMv06相比,GPMv07夏冬季节的降水精度均有提升,尤其冬季降水的纳什效率系数提高0.58。4种融合模型中XGBoost方法的月降水精度最高。与GPMv07相比,XGBoost方法得到的融合月降水均方根误差减小2.01 mm,纳什系数不低于0.6的站点占比及纳什系数均值分别提升33%和0.23。卫星降水输入误差对降水融合模型XGBoost的精度影响较小。在春夏季节的部分月份考虑NDVI对降水的滞后性有利于提升XGBoost融合模型的精度,而考虑NDVI对降水的滞后性对秋冬季节多数月份融合降水精度的影响较小。[结论] XGBoost方法在塔里木河流域GPMv07卫星降水校正中有较大优势,校正后的卫星降水精度有较大提升。研究可为区域水资源管理及水土流失预防研究提供数据参考。