短临降雨预报指的是对指定区域内短期的（一般为0到6小时）降雨分布情况进行预报。虽然现阶段已经有着各种各样的观测设备来对降雨进行监测,但是为了满足短临降雨预报对时空分辨率的需求,本文将以多普勒气象雷达数据作为核心数据,先对雷达回波图像序列进行预测,再根据雷达回波图像中雷达回波反射率和降雨量之间的对应关系,来对降雨量进行定量的精准预报。随着大量的历史雷达回波图像数据的产生,如何利用这些海量数据,并从中学习到相应的规律来对雷达回波反射率进行预测将是本文研究的核心问题。为了深入探究这一问题,本文分别从全局无偏预报和局部有偏预报两个角度出发展开研究。全局无偏预报指的是从预测图像的整体出发,对回波形状、位置、强度和运动速度等多个方面进行准确的预报。而局部有偏预报指的是在全局无偏预报的基础上,着重关注于特定区域的预报效果。就全局无偏预报而言,现有的算法主要面临流体平稳运动下模型预测强度衰减、流体剧烈运动下模型预测能力减弱等两个问题,进一步地,扩展到蕴含不同流体运动规律的降雨过程,如何解决空间分布差异显著所导致模型的预测性能减弱也是本文所需要研究的;就局部有偏预报而言,则主要面临着高回波信息表征损耗的问题。而本文则是从这四个问题出发,对短临降雨预报的问题展开研究,具体而言,本文的主要研究内容和创新点总结如下:（1）针对流体平稳运动下模型预测强度衰减的问题,本文提出了基于生成对抗网络的多尺度预测模型。该模型引入了生成对抗正则化损失函数,通过拉近预测图像与真实未来图像的数据分布,缓解了雷达回波强度衰减问题。此外,还系统地探讨了两种生成对抗正则化损失函数对不同模型预测效果的影响。从实验中各个模型的预测结果来看,引入生成对抗正则化约束的预测模型都有着更好的预测效果。通过可视化结果可以看出预测强度衰减的问题得到了有效的缓解。（2）针对流体剧烈运动下模型预测能力减弱的问题,本文提出了基于伪光流和重构卷积循环神经网络的方法。这两个模型分别引入了伪光流子模块和全局重构子模块,通过对齐历史回波表征和当前表征的位置,使得卷积神经网络可专心的学习回波表征的变化。其次,还引入了局部重构子模块自适应地调整卷积视野的大小,提升卷积捕捉空间特征的效率。实验表明这两种子模块的引入能够有效地提升模型预测的准确率,且显著优于现有最好的算法。后续的可解释性实验证明伪光流子模块和全局重构子模块的确可以起到调节历史回波表征位置的作用。（3）针对不同降雨过程空间分布差异显著的问题,本文在短临降雨预报领域中提出了在线增量学习框架。在该框架中,模型可以自适应地从不同降雨过程中学习水汽分子不同的运动规律,保证模型在不同场景下都能有着良好的预测效果。区别于现有的在线增量学习框架,基于梯度激活映射的在线增量学习框架的创新性体现在统一学习模式,逼近训练模式和梯度激活映射权重三个方面,这三点改进使得模型即使在分布差异很大的降雨过程中,也能无延时且高效地从当前的降雨过程中,学习雷达回波的运动规律。实验中,所有基于在线增量学习框架的模型在整体的预测效果都有了大幅度的提升。（4）针对高回波信息表征损耗的问题,本文提出了基于注意力机制卷积循环网络的预测方法。该方法在不牺牲全局无偏预报准确性的前提下,对强降雨区域进行更为精准的预测。该方法分别引入了时间注意力机制和层注意力机制,使得模型可以长时期保存占比较少的高回波信息表征,并且减少模型中的空间特征在逐层传递时发生损耗。此外,上下文交互机制也被提出并嵌入在模型中用以提升模型短期的时空表征能力。相比于现有的一些深度学习模型,实验结果表明,特别是在高回波区域的预测上,基于注意力机制的卷积循环网络的预测方法往往有着更好的表现。总体而言,本文紧扣短临降雨预报任务,分别提出了基于生成对抗网络的多尺度预测模型、基于伪光流和重构卷积循环神经网络、基于梯度激活映射的在线增量学习框架和基于注意力机制卷积循环网络的预测方法,在覆盖了大至广东省小至深圳市范围内的雷达回波图像数据集上进行实验,实验结果验证了上述方法的有效性。