以白于山区吴起、志丹两县2022年4月15日—5月1日108个气象站的日极端温度为基础数据，采用随机森林（RF）、投影寻踪（PPR）、神经网络回归（BP）三种机器学习方法，对日极端温度进行了空间插值，并与反距离权重（IDW）、普通克里金（OK）以及多元线性回归（MLR）等传统的插值方法进行对比。结果表明：日最高温度的6种插值方法比较，MAE排序为RF<OK<MLR<BP <PPR <IDW, RMSE排序为RF <OK<MLR<BP < IDW < PPR；日最低温度6种方法的 MAE排序为BP<RF<PPR<MLR<IDW<OK, RMSE排序为RF < BP <PPR<MLR<IDW<OK。机器学习进行温度插值的精度明显高于IDW和OK，也高于MLR；在三种机器学习方法中，RF表现最好，PPR和BP较差；日最高温度RF插值绝对误差在1℃左右，而日最低温度RF计算温度与实测温度有较好的线性关系，通过一元线性方程订正后可明显降低插值误差，将误差降至1℃以内。