近年来,雷电灾害在全世界范围内造成了大量的经济损失和人员伤亡,对人类的各项活动都带来了巨大的威胁。如何有效减少雷电灾害的发生成为研究学者所关心的目标。雷电灾害风险评估和雷电预测研究是全社会提高雷电防御能力的两个重要途径。本文分析了目前雷电灾害风险评估的研究状况以及存在的不足,引入神经网络算法进行改进;对于雷电活动的预测,本文运用ConvLstm网络搭建了预测框架,并提出了一种解决数据稀疏问题的方案,提高了预测准确率。主要研究成果如下:针对传统雷电灾害风险评估方法中存在的权重分配不够科学、评估分辨率较为粗糙的问题。首先在数据方面,本文以2015到2016年的雷灾数据为驱动,统筹结合了历年的ADTD闪电定位数据、地理环境数据和人口经济数据,丰富了实验数据,并通过地理栅格切片、数据栅格化等操作,量化了每一个地理栅格的情况,为实现细粒度的评估打下基础;其次,引入了神经网络算法,以雷灾数据为标签,结合上述多类型数据,拟合了各个影响因子与实际情况之间的高阶函数,使得拟合的函数对于影响因子与实际雷灾情况之间的关系表达更加精确;随后采用控制变量法,探究了进行聚类操作后负样本数据的选择以及不同影响因子之间的组合对最终评估准确率带来的影响。最后对评估结果进行可视化展示。针对雷电预测准确率不高的问题。首先在数据方面,本文使用2010年到2019年的长沙市及其周边范围内的ADTD闪电定位数据作为样本,将其进行栅格化操作,并按照地理空间和时间间隔进行划分,构造了基于时间-空间维度的三维数据结构;其次,针对空间维度数据矩阵较为稀疏的问题,提出了一种数据增强算法,该算法不仅达到了缓解数据稀疏问题的效果,也使得每个时刻的数据矩阵中可以融合先前多个时刻的空间信息,对时刻信息的表达更加全面;最后,借助ConvLstm模型构建了四边形预测框架,使得模型可以在减少计算量的情况下不间断的进行实时预测。根据计算,模型的准确率达到74.6%,证明了该模型在雷电较为密集的区域具备较强的预测能力。