卫星云图在天气分析和预报中起着重要的作用。然而卫星云图的空间分辨率逐渐不能满足气象监测日益增长的需求。使用超分辨率（SR）方法提高分辨率有助于识别和定位天气系统。此外,预测卫星云图中云移动演变信息有助于实现更准确的天气预报。然而卫星云图预测方法的复杂性限制了预测云图的空间分辨率。通过卫星云图SR算法可以得到更高分辨率的预测云图。本文基于深度学习的方法,研究了卫星云图SR和预测问题。主要结论如下:（1）针对卫星云图SR问题,一个新的基于反向投影网络和局部残差网络联合训练的多路径网络模型被提出,称为SRCloud Net。多路径的结构使SRCloud Net能够提取图像不同方面的特征以获得更准确的重建结果。本文构建了一个用于SR研究的卫星云图数据集,称为NCCI数据集。NCCI卫星云图像数据集包含自然彩色卫星云图数据集和卫星尾迹云图数据集两部分。考虑到尾迹云图像的特殊线性形状,因此使用它对SRCloud Net进行测试。传统SR方法重建图像模糊,丢失高频细节。大量实验评估表明,基于SRCloud Net可以获得高质量的卫星云图高分辨率重建图像。（2）针对卫星云图预测问题,基于时空长短期记忆网络提出了融合光流信息的红外云图预测网络OF-LSTM。OF-LSTM通过所提出的光流信息模块进一步学习和传递输入信息中的有效特征。一个适用于深度学习训练的卫星红外云图数据集被构建。实验结果表明,OF-LSTM对云团的移动路径和云团的形状变化均能实现较为准确的预测。最后,通过卫星云图SR算法得到更高分辨率的预测云图。