针对贝叶斯概率预报模型(Bayesian processor of forecasts,BPF)中输入数据的正态转换问题,探讨了Meta-Gaussian模型(MG)和Box-Cox变换(BC)对BPF模型性能的影响.首先利用MG和BC分别对BPF模型输入数据进行正态转换,然后分别建立BPF-MG和BPF-BC模型进行概率预报,最后对BPF-MG和BPF-BC在不同预见期和不同数据样本条件下的预报能力进行了分析.结果表明,当数据样本较少时,BPF-MG具有较高的稳定性,但BC转换比MG更简单,BC变换系数非常敏感;当数据样本增多后,BC变换的转换系数稳定,BPF-BC预报质量提高.