从时间上划分，基于雷达观测数据的强对流天气监测预警主要包含两个过程:风暴初生(CI)预警和风暴移动变化趋势的监测预警。本文使用2008～2013年北京大兴和天津塘沽两部雷达的观测资料及模式再分析资料（ERA-Interim数据集），统计、分析了京津地区CI和风暴时空演变过程中的主要特征。在CI统计方面，分析了京津地区对流初生的时空分布和天气流型对CI的影响，统计了CI发生时的若干几何形态特征，并根据CI的统计结果给出京津地区CI模型。在对流风暴生命史（轨迹）统计方面，分析了可能影响对流风暴发展特征（包括持续时间、强度、面积和移动趋势的稳定性等）的若干因素（包括下垫面、环境场以及风暴初始状态等）。为了进一步提高对流风暴外推预报的准确率，本文根据风暴实际移动矢量的变化将风暴分为可外推的“稳定型”和不可外推的“不稳定型”两类，并统计分析了两类风暴的自身几何特征以及动力学、热力学、湿度场和地表环境等方面的差异，并尝试使用这些差异（指标）进行BP神经网络分类试验，预测对流风暴的稳定性。　　论文的主要内容和研究结果如下:　　1)根据京津地区CI统计结果，给出京津地区CI模型（不考虑天气尺度流型影响）。统计结果（模型）表明，京津地区CI的日变化可以分为四个阶段，对流系统倾向于午后出现在山区，并向东、东南方向传播。1200～1800 LST阶段CI的高发区出现在山麓地区，该时段内的CI被认为与午后太阳辐射加热、谷风、MPS循环、海风锋、地表植被覆盖类型和山区地形有关。1800～0000 LST阶段CI的高发区出现在平原地区;该时段内的CI被认为与主要与山风、陆风锋、夜间低空急流引发的夜对流相关。对流高发区的移动（由山区移向平原）造成对流系统向东、东南的传播。0000～0600 LST阶段内CI的高发区出现在海洋地区;该时段内的CI被认为主要受夜间低空急流和陆风锋影响。对流高发区的移动（由平原移向海洋）造成对流系统的传播现象。0600～1200 LST阶段由于大气中蕴含的能量已经被消耗，而山风/谷风循环和海风锋/陆风锋循环处于交替阶段，因此该时段内CI普遍受到抑制。　　2)四类天气流型对CI的影响如下:在低压槽型天气流型影响下，CI主要分布在平原和山麓地区，初生的对流风暴单体主要向东北方向移动。在槽后型天气流型影响下，CI在京津地区有较为均匀的分布，并且在下午存在显著峰值，初生风暴单体主要向东、东南方移动。冷涡型天气流型影响下，CI主要出现在地形交界区域（包括山区-平原交界和平原-海洋交界区域），并且下午存在显著峰值，初生风暴单体主要向东北方移动。其它型天气流型影响下，CI主要出现在南方平原地区，CI的峰值位于夜间至凌晨时段，风暴初生后以较高速度向东东北方向移动。　　3)对流风暴的持续时间受到地形、太阳辐射日变化等因素的影响。当风暴在移动过程中发生“跨越地形”时，风暴的持续时间有显著延长。其次，对流风暴的持续时间还受到风暴初始时刻移动速度、风暴形状（椭圆离心率）、面积和风暴体厚度等自身属性的影响。一般而言，风暴强度与风暴持续时间呈正比。风暴面积的日变化趋势与风暴强度的日变化趋势相似，但相位落后2～4个小时。　　4)京津地区平均引导气流高度为650 hPa(～3.59 km)。针对单个风暴体，可以采用前一时刻(t-1)的引导气流高度(hsp)作为当前时刻(t)的引导气流高度(hs)的近似估计。如果确定风暴的发展趋势较为稳定，则可考虑使用最小二乘法计算得到的引导气流高度(hopt)作为当前时刻风暴的引导气流高度。相对于统一使用650 hPa作为全部风暴引导气流高度，选择使用hsp或hopt作为引导气流高度，可以有效降低统计误差。　　5)根据对流风暴的平均偏转角度(MDD)和平均速度变化率(MSD)，可以将对流风暴分为稳定型风暴和不稳定型风暴两大类。两类风暴的误差分析表明，稳定型风暴的移动趋势较为稳定，使用外推矢量(ve)进行移动趋势的预测可以取得较为优良的结果;不稳定型风暴的移动趋势则较为复杂，使用外推矢量(ve)或环境风(vp)均有可能产生较大的预报误差。统计表明，满足如下条件的对流风暴更容易为不稳定型风暴:a）风暴投影面积较小;b）风暴体厚度较小;c）风暴移动速度较低;d）相对风暴的垂直风廓线以风向切变为主;e）对流风暴低层垂直上升运动偏弱且有持续减弱趋势;f）对流风暴低层相对湿度较高且中高层相对湿度较低;g)地表蒸发量较大;h）地表粗糙度较高。　　6)根据上述a～h八个指标，使用BP神经网络尝试对流风暴分类试验，预测对流风暴的稳定性。分类结果表明:依据给出的形态学、动力学、环境场等参量，BP神经网络可以正确的分类70％以上的对流风暴。通过分析神经网络给出的分类指标，发现风暴体面积、风暴移动速度、风暴体厚度、相对风暴的垂直风廓线(△SRspd1000,700)和垂直运动速度的梯度变化(△dVV225,700)对风暴稳定性有显著影响，而其它参量对稳定性的影响并不如上述5个参量显著。面积参量无论在两层神经网络或者在三层神经网络中，均表现出与风暴稳定性的负相关，该问题有待深入研究。