大雾和暴雨分别是我国冬季和夏季的主要气象自然灾害,每年都会造成大量的生命财产损失,准确的能见度和降水临近预报是防止和减少灾害损失的重要前提条件,也一直是大气科学领域研究和应用的关注点和难点。随着深度学习技术的发展,其模型可以充分挖掘数据并从数据中学习其内在的规律,使得进一步提高短临预报的准确率成为可能。本文依据气象要素的物理特征对深度学习模型进行设计和改进,旨在提高能见度和降水的临近预报水平。本文的第一项工作是提出了基于注意力机制的能见度临近预报方法,并利用四川地区的能见度观测数据进行了预报效果检验,提高了四川地区能见度的临近预报效果。四川地区是我国受大雾灾害影响最大的地区之一,但由于地形等复杂等因素,四川地区的能见度临近预报一直以来是个难题。本文基于广泛使用于自然语言处理的序列到序列(Sequence to Sequence Networks,Seq2Seq)模型进行改进,引入注意力机制并创新地应用于能见度临近预报上,基于能见度观测数据特点对能见度进行对数变换,采用加权的损失函数以提升能见度的预报效果。利用该模型在四川地区的能见度数据上进行了训练和测试,试验结果表明,本文提出的新模型改进了大气能见度的预报效果,其中雾(能见度小于1千米)的1小时海德克技巧评分(Heidke Skill Score,HSS)达到了0.76,有效提高四川地区能见度临近预报的准确率。本文的另一项工作是提出了基于注意力机制的卷积门控循环单元(Convolutional Gated Recurrent Unit,Conv GRU)降水临近预报方法,并利用HKO-7雷达回波序列数据集进行了预报效果检验。降水临近预报的核心内容,是由过去和现在一系列雷达回波序列的变化预测未来雷达回波序列的变化。本文在卷积长短时记忆神经网络(Convolutional long short-term memory,Conv LSTM)降水临近预报的模型基础上进行了改进,引入了注意力机制,使得深度学习的模型在降水预报上由关注全部变成关注重点,能更好地掌握回波的生消和移动特征,进而提升降水临近预报效果,并利用参数更少的门控循环单元(Gated Recurrent Unit,GRU)代替长短期记忆单元(Long short-term memory,LSTM),提高模型的收敛速度。利用该模型在香港天文台HKO-7雷达回波数据集上进行了训练和测试,试验结果表明,本文提出的新模型有效提高了降水临近预报的准确率,相比于轨迹门控循环单元网络(Trajectory gated recurrent unit,Traj GRU)降水估测模型预报效果有明显提升,其中0-2小时降水(降水强度大于0.5 mm/h)的临界成功指数(critical success index,CSI)由0.553提升至0.659。