一直以来,恶劣雷电天气不仅对人们的日常生产经济生活、产业的正常运营产生影响,甚至对国防、军事都造成了严重的威胁,每年都会造成大量的公民生命财产损失和国家财政经济损失,因此雷电天气成为了公共安全和一系列对天气敏感产业的重大关注点。如何降低雷电天气给群众和产业造成的危害和影响是目前形势下所需要着重关注的,目前降低雷电天气对社会各界危害的途径有很多,比较主流的方式是对未来一段时间内雷暴以及雷电活动的情况进行预测,然后通过预警预报的方式将预警信息通知到社会各界,来提高各界、各群体的警惕以减少雷电天气造成的损失。本文分析了目前雷暴识别领域的研究状况以及存在的不足,提出了基于离散小波变换（DWT）和密度极大值快速搜索算法（CFSFD）的栅格化雷暴识别方法,以辅助雷电活动预测;对于雷电活动的预测,本文基于Conv LSTM、CNN神经网络以及注意力机制构建了时空预测模型,提高了预测准确率,主要研究内容如下:（1）基于离散小波变换的雷暴识别研究。针对目前雷暴识别领域存在复杂度高、计算效率低,无法有效识别多尺度、多分辨率雷暴的问题,本文基于栅格化地理数据、ADTD闪电定位数据、DWT算法和CFSFD算法提出了一种新型高效的雷暴识别方法。该方法首先对闪电定位数据和地理数据进行栅格化和量化,其次利用DWT算法剔除特征空间内影响识别效果的离散闪电数据点,最后运用CFSFD算法对剩余的真实闪电数据点进行高效聚类,找到雷暴中心点来达到准确识别雷暴的效果。该方法解决了现有研究方法复杂度高、运算效率低的问题,实现了多尺度、多数量、多时刻、多区域的雷暴识别。（2）基于注意力机制的多源数据雷电时空预测研究。针对目前雷电预测研究存在长时间预测效果不佳、使用数据源单一、过于依赖人工经验、预测准确率不高等问题,本文基于Conv LSTM、CNN神经网络以及注意力机制构建了时空预测模型。引入闪电数据、雷达组合反射率数据（雷达数据）、WRF模拟数据等多源数据,解决雷电预测数据源单一问题,丰富了雷电活动的地域信息,同时借助注意力机制,强化了不同时间内不同模拟数据影响因子对雷电的影响,并将雷暴识别和雷电活动预测相结合对雷电预测结果进行纠偏,提高预测准确率。