降雨预测与人们的生产生活息息相关,特别是短时临近的降雨预测。短时临近的降雨预测主要通过雷达回波预测出未来几小时内的降雨情况,实现短时临近的精准预测可以有效应对重大降雨灾害,保障人们的生命安全,避免重大经济损失。因此对于短时临近降雨的精准预测一直是气象领域的重要研究方向之一。近些年来,伴随着机器学习特别是深度学习的不断发展,人工智能的方法广泛应用于各个领域,同样的气象领域通过与人工智能方法的结合,实现了更加精准的短时临近降雨预测,本文的主要工作便是研究基于ConvLSTM的深度学习方法实现对短时临近降雨更加精准的预测,本文主要做了如下几方面工作。提出一种新的雷达回波序列预测模型PatchConvLSTM,主要是通过改进原ConvLSTM模型,输入大范围的雷达回波图使得模型学习到预测区域之外的相关信息,并通过分Patch块的方式进行处理,即保留了原输入的重要信息又节省了计算资源,从而实现对中心区域雷达回波更加精准的预测。之后进一步引入注意力机制,提高模型对于空间特征的提取能力,进一步提高了模型预测准确率。提出一种神经网络的方法实现雷达反射率对于降雨的定量估测,主要通过时间匹配算法提取雷达回波图中的反射率因子,以及地面雨量计站点探测的降雨量相关参数,形成可用数据集,设计神经网络模型,使其估测准确率优于传统Z-R关系。通过数据增广并采用加权损失函数优化反向传播算法,改进神经网络加大其对更大降雨类别的估测准确率,通过消融实验,分析反射率估测降雨的准确率。设计一种短时临近降雨预测系统并使用黑龙江省数据集验证模型,首先对黑龙江省各个雷达站点进行清洗及处理工作,使用投影映射算法提取原始雷达回波数据,采用K近邻算法修复数据,通过时空匹配算法拼接各站点雷达回波数据集,从而生成可用的大范围雷达回波数据集,在此数据集上使用最优的雷达回波预测模型进行微调,验证模型的可靠性,整合本文方法设计一套短时临近降雨预测系统,并设计QT界面展现其在黑龙江省部分区域的预测效果。上述便是本文的主要内容,及通过改进现有模型实现对于雷达回波更加精准的预测,使用神经网络的方法通过预测的雷达回波估测降雨量,从而实现短时临近降雨的准确预测,并使用黑龙江省部分区域数据集进行验证。