降水预报是天气预报的核心业务,其预报准确性对于农业、交通等领域具有深远影响。目前降水预报估计主要依赖于雷达观测的云团回波情况,因此降水预报的核心步骤为雷达回波外推,即基于过去一段时间的雷达回波数据预报未来云团的运动及密度。但是,云团运动涉及复杂的大气物理规律,为外推带来极大挑战。近年来,深度学习在气象预报领域,基于循环一致神经网络（Recurrent Neural Network,RNN）的深度模型在时空相关性建模上已经取得一系列进展,比如基于卷积循环网络的模型Conv LSTM和时空统一建模的模型Pred RNN。但是上述方法在应对高分辨率雷达回波、长时效预测任务上仍有不足,本文针对上述问题,从多层次时空相关性建模角度展开研究,分别在层次化模型结构和全局时空滤波处理单元两个层面进行创新。在实际业务中,高分辨率雷达回波输入会造成现有单一空间层次的深度模型在训练阶段显存消耗急剧增加,同时复杂的高维度数据分布也会造成预测过程更加不确定,为此我们从层次化模型结构角度进行探索,例如U-Net,在处理高分辨率图像上具有显著优势。基于上述考虑,我们将用于图像处理的U-Net模型扩展至时空预测领域,对近年来预测效果良好的深度学习模型进行优化,得到U-Conv LSTM、U-Pred RNN,使其可以在多个不同的时空特征层次上进行信息传递,以增加高分辨率雷达回波的预测效果。我们提出的算法在显存占用与基准算法相同的条件下,预测分辨率和预测效果都较基准算法有所提升,提高了预测模型在实时气象预报上的运行效率。此外,尽可能延长预报时效对于气象预报尤为关键,但是现有的循环网络很难实现长时时空信息记忆,为此我们全新设计了全局时空信息滤波单元GFLSTM。GF-LSTM包含两个连续的处理结构,首先通过时间滤波融合长短时记忆,然后通过空间滤波融合多纹理特征,从而实现了全局-局部多层次时空信息融合。我们将GF-LSTM单元用于经典的深度学习预测模型,得到GF-Conv LSTM、GF-Pred RNN模型,新模型在较高雷达回波强度的预测临界成功指数CSI比基准模型提升了约5%,在高雷达回波强度的CSI比基准模型提升接近50%,有效提升了高密度云团预测效果,为后续的降水预报提供了可靠参考。