降水是一种重要的天气现象,是水循环过程中重要的一环,对人民生活的各个方面影响深远,是引发自然灾害的重要因素之一。准确及时地掌握即将到来的降水,可以避免经济损失和生命损失,有助于保障人民的生命财产的安全。天气雷达(以下简称雷达)能够有效地观测到降水,利用一系列雷达回波推演的降水,进行未来1到2个小时内的降水预报,提供降水发展变化的信息,可以为应对降水可能带来的影响做出正确决策。然而,降水发展过程的时空特征具有很大的不确定性,它的变化和移动趋势难以预测。目前基于雷达外推进行短临预报的主要预测方法是光流法。但是光流法存在一定的局限性,它把降水回波外推和预测分开,不利于确定参数,并且缺乏对观测历史数据在时间空间上的特征充分挖掘。近年来,随着计算机硬件水平不断提升,深度学习得到不断发展,已经被成功的应用到大量的场景和领域中。本文在总结分析已有的相关研究基础上,运用雷达观测的降水数据和深度学习的方法,系统地研究深度学习在降水产生、发展、消亡的过程下的应用,不同降水强度条件下的预报能力以及形态预报的能力,并与光流法进行对比,检验基于深度学习的预报方法在利用雷达数据进行预报的适用程度。本文主要做了以下研究:(1)归纳总结短临降水预报的时间界定和已有的各种预报方法,选择合适的雷达数据类型和方法,解析并转化该雷达数据,以构建雷达观测降水序列的网格数据集,为进一步完成降水短临预报研究作准备。(2)以提高预测准确率和模型的普适性为目的,基于神经网络方法的理论及其操作步骤,通过运用建立好的雷达降水观测序列的网格数据集,更新优化神经网络参数,使其能够学习并捕捉到该地区的降水特征。(3)运用水文气象领域常用的定量分析方法,将该模型与光流法作比较,检验神经网络对降水事件的捕捉能力以及预报能力,验证基于深度学习和雷达观测的降水短临预报的可行性。通过对随机挑选的两个降水过程,验证神经网络模型和光流法的短时降水预报能力,得出以下结论:(1)卷积长短期记忆神经网络能够预测到降水回波的消散,但其预测的回波消散的速度较快,因而与实际的观测存在一定的差异;而光流法会大部分保留住本应随时间流逝的降水回波;(2)卷积长短期记忆神经网络对主要的降水区域预报形势效果较好,随着预报时间的变长,其预测的回波依然保持住主要的降水区域的形状和其边界轮廓,而光流法难以维持边界的形状;(3)卷积长短期记忆神经网络对降水拥有较高的探测率,且随着预报时间的增加,远远高于光流法;(4)在对随机选择的2个降水过程的预报中,一个小时内的两种方法的预报与实际观测的相关性均保持在60%以上。