气象雷达起源于上个世纪中期,经过了几十年的发展,如今已成为天气预测,灾害预防等领域最重要的工具之一。当前,最新型的气象雷达为多普勒脉冲雷达。它利用发射、接收电磁波并根据反射波的强度生成气象雷达图像数据。过去,利用传统方法对气象雷达图像数据进行处理在效率与准确性上都存在一定不足。随着近年来人工智能技术的发展,利用深度学习技术对图像数据进行处理的方式已经得到了越来越广泛的应用。深度学习技术通过设计特定的人工神经网络对大量的图像数据进行学习,掌握其特征,从而对图像数据进行有效且准确的分析处理。相比于传统方法,利用深度学习技术可以更加简便、高效地实现对气象雷达图像数据的处理与分析。本文基于卷积神经网络(CNN)与门控循环单元(GRU),设计并实现了用于分析处理气象雷达图像数据的神经网络。该神经网络模型可对气象雷达图像数据规律进行学习并对其未来变化做出预测。主要工作与贡献如下:1.基于卷积神经网络,设计并实现了用于提取气象雷达图像数据特征的预处理神经网络。该神经网络通过两层卷积层对原始气象雷达图像进行卷积运算,利用不同卷积核提取到多种原始图像数据特征,构成特征图像。预处理得到的特征图像用于进一步的神经网络训练。通过该预处理神经网络,提取到原始数据的特征并构成特征图像,大幅减少了冗余数据量。使后续数据处理能够更加快速准确。2.基于门控循环单元(GRU),设计了三层GRU结构的神经网络,对预处理后按照时间排列的气象雷达特征图像进行特征学习。通过三层GRU结构辅以全连接层,池化层等网络结构,使神经网络能够准确高效地学习特征图像的信息。通过学习特征图像信息,用于对气象雷达图像数据进行分析,处理,预测。3.在性能普通的计算机上实现了上述神经网络。通过利用预处理得到的大量时序特征图像进行神经网络训练,使神经网络学习到特征图像的变化规律。完成学习后的神经网络能够对气象雷达图像未来的变化做出预测。与相关研究对比后,本研究设计并实现的神经网络性能优异,训练更加快捷。即使没有高性能GPU,利用一般GPU设备也能够快速实现网络训练与图像预测。在保证性能的前提下降低了对于硬件设备的要求,从而能够更加普遍地进行应用。