高分辨率气象数据对于区域天气过程研究和精细化天气预报具有重要意义。然而，ERA5 等全球再分析资料空间分辨率较低，难以直接刻画区域尺度复杂气象结构。近年来，人工智能方法在气象数据降尺度领域展现出良好潜力，但现有方法在恢复细尺度空间结构方面仍存在一定不足。针对这一问题，本文提出一种基于高频残差建模的深度学习降尺度框架 HiFA-diff，实现从低分辨率再分析数据到 1 km 高分辨率WRF气象场的重建。该方法采用两阶段结构：首先利用 UNet 网络对插值后的低分辨率输入进行初步预测，以恢复气象场的大尺度结构；随后通过高通滤波提取预测残差中的高频信息，并引入扩散模型对这些细尺度特征进行建模，从而有效补偿初始预测中未能恢复的空间细节。以长三角区域 ERA5 数据为实验对象的实验结果表明，所提出方法在保持大尺度结构一致性的同时，能够显著提升气象场细节结构的重建能力，相较于传统深度学习方法具有更好的空间细节表达能力。研究结果表明，将确定性神经网络与生成式扩散模型相结合，为高分辨率气象降尺度提供了一种具有潜力的技术路径。