La previsión precisa de la velocidad del viento tiene una importancia significativa para el desarrollo económico y social de la humanidad. Sin embargo, las predicciones meteorológicas numéricas existentes tienen ciertas inexactitudes debido a diversas razones. Por lo tanto, es altamente necesario realizar un post-procesamiento estadístico sobre los resultados pronosticados. Sin embargo, los métodos tradicionales de post-procesamiento estadístico lineal poseen limitaciones inherentes. Por lo tanto, en este estudio, empleamos dos métodos de aprendizaje profundo, a saber, la red neuronal convolucional (CNN) y la red neuronal U-Net, para calibrar la previsión del Sistema de Pronóstico Global por Conjuntos (GEFS) en la predicción de la velocidad del viento a 10 m en el suroeste de China con un tiempo de anticipación de uno a siete días. Se llevaron a cabo en paralelo dos métodos tradicionales de post-procesamiento estadístico lineal, el método de promedio decreciente (DAM) y la regresión lineal unaria (ULR), para comparación. Los resultados muestran que las previsiones originales del GEFS producen un rendimiento de pronóstico de velocidad del viento más pobre en las provincias de Sichuan occidental y oriental, la provincia de Yunnan oriental y dentro de la provincia de Guizhou. Los cuatro métodos proporcionaron ciertos efectos de corrección sobre las previsiones de velocidad del viento del GEFS en el área de estudio, siendo U-Net el que demostró el mejor rendimiento de corrección. Después de la corrección utilizando U-Net, para un tiempo de anticipación de 1 día, la proporción del componente U del viento a 10 m con errores menores a 0.5 m/s ha aumentado en un 46% en comparación con el GEFS. De manera similar, para el componente V del viento a 10 m, la proporción de errores menores a 0.5 m/s ha aumentado en un 50% en comparación con el GEFS. Además, empleamos el método de descomposición de errores basado en el error cuadrático medio para diagnosticar aún más las fuentes de errores de pronóstico para diferentes modelos de predicción y revelar sus capacidades de calibración para diferentes fuentes de error. Los resultados indican que DAM y ULR son los que mejor corrigen el Bias2, mientras que los efectos de corrección de todos los métodos fueron variables para la distribución con el tiempo de anticipación del pronóstico. U-Net demostró el mejor rendimiento de corrección para la secuencia.