El análisis de conjuntos de datos históricos y de reanálisis sobre las características climáticas de la energía eólica ofrece información crucial para los parques eólicos y la previsión de generación eléctrica a corto plazo. Sin embargo, los grandes parques eólicos en desiertos chinos, el Gobi y áreas áridas a menudo carecen de datos suficientes de medición del viento, lo que genera desafíos en la evaluación de los ingresos por generación de energía a largo plazo e introduce incertidumbre. Este estudio se centra en el desierto de Tengger como área de estudio, procesa los datos del Proyecto de Comparación de Modelos Acoplados Fase 6 (CMIP6) y analiza y compara las características futuras de la energía eólica utilizando un algoritmo de reducción de escala (downscaling) de aprendizaje profundo (DL) desarrollado. Los hallazgos indican que (1) el modelo de reducción de escala de Red Neuronal Convolucional (CNN), con los resultados de simulación numérica del Modelo de Investigación y Pronóstico del Tiempo (WRF) como objetivos, exhibe consistencia en la distribución espacial con los resultados de simulación de WRF en el área experimental. (2) A través de pruebas y validación con tres mediciones de viento prácticas, el error de velocidad media anual del viento es inferior al 4%. (3) En el futuro a medio plazo (~2050), la velocidad media del viento en el área experimental se mantiene estable con un promedio multianual de aproximadamente 7.00 m·s. El rango de distribución de la velocidad del viento es significativo, cumpliendo con los requisitos para el desarrollo de parques eólicos.