在全球气候变化背景下，高分辨率气温数据对于极端天气分析和区域气候研究具有重要意义。然而，传统全球气候模式（GCM）受限于空间分辨率，难以刻画局地尺度气温变化特征。针对这一问题，本文提出一种融合小波变换与状态空间模型（SSM）的高分辨率气温降尺度方法（UMamba）。该方法基于Mamba架构构建编码–解码网络，通过引入视觉状态空间模块（VSSM）实现对气温场长距离空间依赖关系的高效建模。同时，设计小波频率选择模块（WFSM），在频域上对多尺度特征进行自适应筛选，有效增强模型对局地高频变化和复杂地形影响的刻画能力。相比传统卷积神经网络和Transformer模型，所提方法在保持线性计算复杂度的同时，兼顾全局建模能力与计算效率。基于ERA5再分析数据开展实验，对比多种主流降尺度方法（如UNet、RCAN和Uformer）。结果表明，所提方法在MAE、RMSE、SSIM和ACC等指标上均取得最优表现，尤其在极端高温和低温条件下表现出更强的稳定性和鲁棒性。消融实验进一步验证了小波频率选择模块在提升极端气温刻画能力方面的有效性。研究结果表明，本文方法在气温高分辨率重建任务中具有良好的应用潜力，可为区域气候精细化分析和极端事件预测提供技术支持。