近年来随着社会信息化的加速,人们对气象预报的要求逐渐提高。强对流天气因其突发性强、破坏力大等特点,受到气象部门的重视。短临预报作为防范强对流天气的预报手段,具有重要的研究意义。但目前进行短临预报多是基于雷达回波的光流法,而光流法存在着一些局限性,由于光流估计步骤和雷达回波外推步骤是分开的,参数的确定变得比较困难。随着深度学习的高速发展,深度学习在各个领域的应用也变得越来越多,于是本文采用深度学习方法对短临预报的降水方面进行应用研究。降水短临预报本质上是从一系列雷达回波序列预测未来的雷达回波,可以看成一个时空序列预测问题,本文在研究和总结了常用的神经网络的基础上,参考了ConvLSTM(Convolutional LSTM)结构提出了一种结合卷积神经网络(Convolution Neural Network,CNN)和GRU(Gated Recurrent Unit)的ConvGRU模型(Convolutional GRU),由于GRU的结构比LSTM更为简单,但在效果上相差不大,该模型相比于ConvLSTM结构拥有更快的训练速度和更小的内存需求。本文的另一项工作是基于VGGNet(Visual Geometry Group Net)对卷积层进行了改进,使用多个小的卷积核叠加代替大的卷积核,减少了参数数量,提升了网络的特征提起能力。该模型充分发挥了卷积神经网络和GRU的优点,即卷积结构的空间特征提取能力和GRU的善于处理时间序列问题的记忆能力。最后通过实验对比该模型与光流法的预报效果,验证该模型在降水短临预报问题的适用性。