La predicción precisa de la precipitación diaria es crucial para la utilización racional de los recursos hídricos y la predicción de desastres por inundaciones. Para abordar la baja fiabilidad y la baja precisión de predicción de los modelos existentes de predicción de precipitación diaria basados en aprendizaje profundo, que surgen de las características no lineales y no estacionarias de los datos de precipitación superficial, este artículo primero emplea el método de análisis de componentes principales (PCA) para extraer los componentes principales de los datos originales. Dado que la red neuronal convolucional (CNN) es hábil para capturar dependencias espaciales, la memoria a largo y corto plazo bidireccional (Bi-LSTM, una variante de la memoria a largo y corto plazo (LSTM)) puede capturar la dependencia a largo plazo de los datos de series temporales, y el mecanismo de atención permite que el modelo se concentre en las características más importantes de los datos de entrada. Se construyó una red neuronal de fusión PCA-CNN-BiLSTM-Attention. Tomando Kunming, China, como área de estudio, los resultados experimentales demuestran que el coeficiente de eficiencia de Nash del modelo propuesto alcanza 0.993, lo que es un 15.3% y un 12.6% más alto que el de los modelos CNN-LSTM y CNN-BiLSTM, respectivamente. Esto indica una alta precisión de predicción y proporciona un método efectivo y factible para la predicción de precipitación diaria.