本文以阿里巴巴天池平台上的多普勒雷达图数据集为基础,针对短期降雨预测问题进行研究。经过图像分析与预处理工作后,运用并适当改进了传统机器学习模型及近年兴起的深度学习算法,提出了多种对于短期降雨预测的统计改进模型,取得了较好的预测效果。首先对数据集进行了缺失值处理以及探索性分析,研究目标变量的分布规律以及不同时段和高度下雷达图与目标变量的相关性。之后提出了缩略图和统计量两种特征选取方式,并分别使用回归树、最近邻回归、支持向量回归及贝叶斯岭回归等基础模型对两种方式所提取的数据集进行训练和预测,发现总体上缩略图方式表现更优。选取了较优的缩略图特征后,比较分析了随机森林、GBDT、XGBoost等集成模型的预测效果,其中最好RMSE得分为14.23,并提出了基于GBDT特征选择的改进Ada Boost回归模型以及基于多个强回归器组合的stacking回归模型,RMSE得分分别降低至14.11和14.18。对于目标变量双峰偏态分布的特点,本文提出了先分类再回归和深度学习的方法进行模型改进。在建模前首先利用矩阵的同步旋转变换来增加样本量,借此提高之后深度学习模型的预测效果;接着对目标变量进行区间划分,分出0、1两类区间以及缓冲区间;再基于python3.5的Mxnet深度学习框架,搭建Inception卷积神经网络;在训练过程中,先用Inception分类模型将训练、预测出0、1两类,分类错判率在10%以内;再用Inception回归模型对两类分别进行训练和预测,综合后取平均输出。经过粗略调参后,线上评测得分为14.264。最后给出了分批量处理全部数据集的思路,以待日后的改进、实现。