临近天气预报的高效性、及时性和准确性,在气象领域具有至关重要的作用。多普勒天气雷达回波图像作为临近预报的主要参考资料之一,天气雷达回波图像预测一直是临近预报中的一个研究热点。预测的相关算法被称为雷达回波外推算法,其主要任务是根据历史的雷达回波数据对未来一段时间内的天气雷达回波的生消演变和强度情况进行预测。传统外推算法对历史的雷达回波数据利用率较低。在回波比较零散,回波发生合并、分裂时,或者回波状态变化较快时,此类算法难以保证外推结果的准确性。为了使临近天气预报更加准确,近年来,基于深度学习的雷达回波外推方法受到了广泛的研究和关注。与传统的外推算法相比,基于深度学习的算法具有更强大的建模能力,可以有效地学习到多普勒天气雷达回波数据的时间和空间特征,捕捉到雷达数据内部复杂机理演变。然而,这类方法仍存在两个问题:随着雷达回波图像预测时长的增加,一是雷达回波形态预测越来越不准确;二是雷达回波强度预测精度下降过快。围绕这两个问题,本文从以下方面展开研究:（1）提出了一种基于卷积自编码器的雷达回波形态外推模型,以改善“雷达回波形态随时间增加预测越来越不准确”的问题。该模型在卷积自编码器结构基础上加入长短时记忆网络结构,使用卷积自编码器的编码器进行雷达回波形态信息提取。这些信息作为长短时记忆网络的输入进行特征预测。预测的特征通过卷积自编码器的解码器进行重构,最终输出预测的雷达回波图像。该模型在由天气雷达回波数据SRAD128数据集制作而成的数据集上进行实验,并选择了3种目前较好的天气雷达回波预测方法进行对比。实验结果表明,该模型在对1.5h时的雷达回波进行预测时,评价指标检测概率、误警率、临界成功指数和heidke技能评分上的得分分别为0.8358、0.2237、0.6736、0.7479,优于其他模型,有效提高了雷达回波形态预测准确率。（2）提出了一种基于生成对抗神经网络的雷达回波中心区域外推模型,以改善“雷达回波强度预测精度随着时长的增加下降过快”的问题。本文首先为验证加入地理信息后对中心区域风速的影响,提出了一种基于长短时记忆神经网络的中心区域风速预测模型。然后,在基于卷积自编码器的雷达回波形态外推模型的基础上,使用雷达回波形态外推模型作为生成器,卷积神经网络作为判别器,构建基于生成对抗神经网络的雷达回波中心区域外推模型。为验证加入地理信息后对中心区域风速的影响,分别使用未加入地理信息的风速数据和加入地理信息的风速数据进行实验对比。实验结果表明,加入地理信息的风速数据模型损失更小,模型预测效果提升明显。基于生成对抗神经网络的雷达回波中心外推模型使用SRAD2020雷达回波数据集,制作包含周边雷达区域数据的数据集并进行实验。与上述3种雷达回波预测方法的对比实验表明,当预测时长为1h,强度阈值为10d BZ时,该模型在检测概率、误警率、临界成功指数和heidke技能评分四个指标的下降度分别是0.0806、0.0979、0.1274、0.1866,综合表现更好,有效的改善了随着预测时长的增加,强度预测精度下降过快的问题。同时,在图像发生变化时,可以较好地捕捉到图像的运动特征。