台风路径预报，尤其是突然转向、打转、停滞等异常路径的预报，仍是灾害天气监测预报中的难题。纯数据驱动的深度学习模型虽在精度上有所提升，但存在物理可解释性不足、易产生非物理加速和不合理急转等问题。本研究提出一种物理信息神经网络（PINN）框架，将台风运动的物理约束以可微软约束形式嵌入损失函数，与数据驱动损失联合优化。物理约束包括两类：轨迹连续性约束（加速度、曲率、地理边界惩罚）和对流层低层至中层动力一致性约束（850和500 hPa涡度与散度约束）。模型采用CNN-MLP双分支编码器联合编码台风历史运动状态与大尺度环境场，经Transformer时序编码后并行输出6至24小时预报位置。基于西北太平洋42年CMA最佳路径和ERA5再分析资料，模型24小时路径预报误差为81.52 km，较几个深度学习模型降低约13%，与区域业务数值天气预报系统相当。消融实验表明，物理约束使总体误差从56.65 km降至53.25 km，其中6小时预报时效改善超过20%。模型对突变路径和打转路径均表现出可靠的预报能力。进一步分析表明，台风移动速度在所有预报时效中占主导地位，500 hPa散度在环境因子中贡献最大，其次为850 hPa涡度。本研究为台风路径预报提供了一种物理可解释、计算高效的智能预报新途径。

物理信息神经网络；台风路径；预报；物理约束；深度学习