气象研究表明,强对流往往是导致暴雨、龙卷风、冰雹等自然灾害的直接原因,这些自然灾害会给人民的生活生产行为带来很大的不便,严重时甚至会危害到人民的生命安全。如果我们能够预测对流云系的发展过程,就可以在一定程度上规避自然灾害带来的损失。我们可以从卫星云图图像序列中观测到对流的变化过程,为了预测对流云的未来发展形态,我们可以先预测卫星云图的后续变化形态,然后根据预测得到的卫星云图检测强对流。该过程可以抽象为视频预测和图像序列分割两个问题。现有的视频预测算法和图像分割算法应用场景比较广泛,没有针对卫星数据的特点设计特定的模型算法。在视频预测问题中,目前主流方法往往是基于seq2seq结构的,这种结构的一大缺点就是解码器获得的信息仅仅来源于编码器对输入的编码,导致的问题就是随着预测步数增加图像越来越模糊。在图像分割问题中,当前的方法大多是针对单帧图像的并且需要分割的目标是刚体,这些方法没有考虑到图像序列中时序特征对分割效果的作用以及目标是流体的情况。本文针对seq2seq预测框架的不足提出了基于特征金字塔的递推模型。特征金字塔的设计主要是为了融合不同粒度的特征,更加准确地还原图像。为了更好地利用多尺度特征,本文的模型还采用了多尺度目标优化方案并设计了相应的损失函数。递推架构的设计参考了单向语言模型的思路,主要是为了解决预测多步时图像模糊的问题。本文模型的预测结果相较于当前主流方法更加清晰,并且HSS指标提升了0.71%,CSI指标提升了0.51%。强对流云是卫星云图中的一种特殊的云系,它是一种流体,即它在变化过程中会发生大尺度的形变。一般情况下,精确检测对流云需要结合卫星云图的变化过程,因此本文提出使用Seq U-Net模型来解决该问题。Seq U-Net将时序特征引入到了图像分割问题中,模型中使用了卷积-长短期记忆网络来提取时序特征。本文模型结果较之前的模型在POD和CSI指标上分别有0.54和0.21个百分点的提升。