强对流天气引发的降水演变快、破坏力强,严重威胁人们的生命财产安全。短临降水预测技术为强降水的预报预警提供了有力支撑。随着气象技术的发展,利用雷达回波图像进行短临降水预测已经成为一个被广泛关注的问题。当前主要的预测方法是基于雷达回波外推和多元回归相融合的方式来实现的,但准确率方面仍不足以满足业务要求。为了进一步提升准确率,本文利用深度学习相关技术,通过对雷达回波外推和多元回归两种算法进行研究,提升了短临降水预测的准确性。本文的研究工作如下:(1)针对现有基于卷积长短期记忆网络(Convolutional Long Short-Term Memory,Conv LSTM)的回波外推算法存在的不足:(a)普通卷积运算在处理局部变化特征的图像时存在局限性;(b)在外推过程中,Conv LSTM内部采用无监督学习,损失函数常被定义为均方误差(Mean Squared Error,MSE),忽略了外推图像与原始图像的分布相似性。针对上述不足,本论文提出一种改进的基于对抗型LSTM的回波外推算法。为了解决第一个不足,采用光流法追踪局部特征的方式,突破了一般卷积核面对局部变化特征的限制。为了解决第二个不足,引入深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN),并与外推模型组成博弈系统,实现外推图像分布向原图像分布的拟合。最后综合考虑在四种不同反射率强度下,与主流深度学习方法及气象业务方法进行了对比。实验结果表明,所提算法较其它算法外推出的图像准确率更高。(2)针对现有基于神经网络的多元回归算法存在的不足:(a)缺乏对网络结构的优化,仅依靠堆叠式方法扩展模型的假设空间;(b)缺乏对气象样本特征的充分学习,造成模型泛化能力不足。为了解决以上两个问题,本文提出了一种改进的基于时序残差网络的多元回归算法。针对第一点的不足,采用残差网络(Residual Network,Res Net)封装Conv LSTM的方式优化网络结构。针对第二点的不足,引入双向LSTM增强学习概念,进一步将单向Conv LSTM封装成双向,实现对样本的充分学习。最后将提出的算法在(1)的结果上进行降水回归预测实验,并与现有的深度学习算法以及传统集成学习算法进行准确率对比。结果表明,该算法在非线性复杂建模上的准确率有大幅度提升。