短期降雨预测一直是气象预测中十分重要的研究课题,高效、准确的降雨预报为人类活动、国家安全提供有效的科学依据。近年来,深度学习在气象预测方面的研究取得的成果显著,很多深度学习的短期降雨预测模型已经超过大多数传统的降雨预测模型,但是深度学习模型本身还有很多值得改进的地方。目前很多气象中心获得的气象数据大多来自于多个观测站点,这些多站点数据具有高维性和混沌性,要对这些数据进行有效的建模,还需要模拟出数据内在的时空结构。对此,展开如下研究工作:（1）针对单任务循环神经网络短期降雨预测模型中经常出现的长时依赖问题,提出基于门控循环网络的短期降雨预测模型。在循环神经网络中构建具有门控算法的门控循环网络,门控循环网络是长短时记忆网络的变体,相比长短时记忆网络更加简洁,在减少计算量的情况下模型性能也不会下降。经过实验证明,降雨预测过程中时间依赖的问题得到有效解决,模型的预测成本明显降低。针对单任务卷积神经网络短期降雨预测模型中对不同气象数据集进行实验,模型容易受到数据类型的影响产生不稳定的情况,提出基于动态卷积神经网络的短期降雨预测模型。传统卷积神经网络中滤波器作为卷积层参数是固定的,使得模型兼容性很低。将卷积层中的滤波器大小通过一个与输入相对应的函数进行动态赋值,滤波器可以根据网络不同的输入自行调整大小,使模型受不同数据的影响明显减小。经实验验证,动态卷积神经网络模型相比其他模型更加稳定和准确性,准确率提高约9.5%。（2）针对现有深度学习方法基于多站点数据构建降雨预测模型时,缺少对气象数据内在的时空关系建模的能力,提出基于多任务卷积长短时记忆网络的短期降雨预测模型。将卷积神经网络的空间特性与循环神经网络的时序特性结合,提出具有卷积结构的长短时记忆网络。解决长短时记忆网络在处理空间数据时冗余的问题,还对空间信息进行编码,使气象数据的时空特性得到有效利用。进一步研究,将多个站点的任务进行联合学习,允许站点将学习到的知识从一个站点转移到其他相关站点,并对站点间的相关性进行建模,使站点间隐藏的关键线索得到充分利用。经实验证明,相比现有优秀模型多任务卷积长短时记忆网络模型预测误差率下降约3.2%,成功率提高约10%。