天气雷达因其高时空分辨率的特性是探测对流天气和临近预报的有效工具之一。本文首先利用天气雷达对雷暴和雷电进行识别探究,之后在进行回波外推工作时,为改进传统预报方法中对历史雷达资料利用率低和外推时效较短的不足,采用基于深度学习的模型对雷达回波序列进行外推实现临近预报,并将结果与光流法比较。主要内容和结论如下:（1）对雷暴单体进行识别时,首先采用基于DBSCAN聚类算法对雷暴的二维分量进行识别,引入形态学中的腐蚀膨胀消除雷暴分量虚假合并现象,再依据相邻层雷暴分量重叠面积大小进行垂直关联得到三维雷暴单体,最后计算每个雷暴单体的特征量以了解每个雷暴单体的属性特征。选取两个雷暴个例对该算法进行了验证分析,结果表明该识别算法可以较好地识别出雷暴单体。之后在识别出雷暴云的基础上,利用天气雷达对雷电进行识别探究,结果表明利用指标40d BZ雷达回波顶高超过-10℃温度层可以较好识别出雷电的发生区域。（2）光流法对雷暴云降水和雷电发生区域的预报准确率随时间下降,其对回波形态的演变及回波强度变化的预报效果较差。预测神经网络对雷达回波形态演变的预报优于光流法,适用于降水的预报,但由于神经网络具有模糊效应,在细节的预测上光流法更为准确,因此,对于中小尺度天气系统的识别外推,光流法比预测神经网络更适用。（3）采用基于深度学习的算法对雷达回波序列进行外推时,考虑到不同降水强度出现的频率不同,且强降水对人类活动影响较大,网络在训练过程中赋予强回波较大的权重以提高网络对强回波的预报能力。测试集检验结果表明,在相同外推时效和反射率检验阈值的情况下,预测神经网络的CSI、POD均高于光流法,FAR低于光流法,表明该网络的预报能力高于光流法。（4）通过对层状云和对流云降水的预报发现,光流法和预测神经网络对层状云降水过程的预报准确率均高于对流云降水,主要是由于层状云降水回波变化缓慢,对流云降水强回波变化较快。尽管两种临近预报方案的预报效果随预报时间的延长而下降,但是预测神经网络比光流法仍具有优越性。