短临实时降水预报可以对一个地区未来0～3小时的降水进行精细化预报,对于灾害信息提前预警具有重要意义。基于雷达回波外推的降水预报作为广泛应用的方法,但实现实时、准确的预报效果仍是一个具有挑战性的课题。首先是预报系统的实时性问题,要求必须在6分钟内完成一次降水预报。当预报覆盖范围较大时,基于光流法的雷达回波外推和气象产品输出耗时总计超过20分钟,预报具有滞后性。其次在雷达回波外推中,Horn-Schunck光流法外推得到的回波容易产生噪点,外推准确性差。接着在定量降水估测中,由于中小尺度天气系统变化迅速、观测数据规模较大,基于离线模型的估测算法无法满足预报系统实时性和效率方面的要求。雷达回波数据和站点观测数据作为一种流式数据,适合在线学习方式更新模型。本文针以上问题,从雷达回波外推预报、定量降水估测和产品并行化输出三个方面进行研究。主要研究工作包括以下内容:首先,本文将Horn-Schunck和Lucas-Kanade融合光流算法引入雷达回波外推预报过程。具体地,将Lucas-Kanade算法的高斯卷积模板添加到Horn-Schunck算法中,减少外推回波中的噪点。为了减少矢量场计算的时间,使用多重网格方法求解光流方程并使用多线程并行技术进一步优化。通过实验得出,使用多重网格方法求解4200x6200km规模的方程组平均耗时约为43s,经过并行优化后约为25s,满足了回波外推对计算时效的要求。其次,在定量降水估测中,引入在线方法代替离线模型,建立了基于在线随机森林算法的降水估测模型。通过实验证明,一方面基于在线随机森林算法的估测模型在中低强度的降水预测优于随机森林模型,另一方面大大减少了模型的更新和预测时间。最后,实现了大范围的短临降水实时预报系统并对产品输出时间瓶颈进行并行优化。使用MPI并行技术,将多个时次的外推产品输出任务分配到不同节点上。因为外推任务之间不具有依赖性,可以实现近似于线性的相对加速比。并使用多个个例对雷达回波外推预报和降水预报进行性能测试。结果表明:雷达回波外推预报在1h内命中率基本在0.5以上,在30min内基本保持在0.7以上;1小时降水预报的命中率基本在0.45以上,降水强度大于10mm/h时,命中率大于0.51。