强对流天气是具有演变迅速、生命史短、破坏力强等特点的灾害性天气之一,常对人民的生命财产造成严重威胁。因此,对强对流天气预报方法进行研究具有重要意义。目前,在气象预报业务中,通常使用多普勒天气雷达探测数据,反演出强对流天气系统的大气风场和降水等情况。本文旨在使用多普勒天气雷达数据,采取深度学习方法对半小时以内的降水情况进行预报研究。研究首先是对多普勒天气雷达数据预处理,构建数据集。具体是根据雷达回波图中的图例将RGB值转换成对应的dBZ值;对转换后的图像进行裁剪,获取有效的回波区域;全部图像进行排序分组,构建雷达回波数据集。在数据集构建的基础上,本文提出两种预报方法:（1）将注意力机制应用到现有的深度学习预报方法中,提出基于注意力机制的临近预报方法。该方法的关键是对卷积层获取的特征图进行学习,计算特征图的评分和权重,从而提取重要的特征信息,最终通过ConvLSTM（Convolution Long Short-term Memory）模块对特征信息进行预报。该方法一定程度上提高了回波强度预报的能力。（2）将注意力层与卷积自编码结构进行融合,提出基于卷积自编码结构的预报方法,从而进一步提升模型的预报能力。此方法的关键是采用注意力机制对编码器抽取的重要特征图进行学习,学习特征图之间的时序特征,解码器对时序特征进行反向重构,提高模型对回波的运动轨迹和变化的学习能力。模型在测试集上的评价指标表明,该方法降低了漏报率并显著提高了成功关键指数。基于上述研究成果,设计并开发强对流天气预报系统。此系统采用时序图的方式对用户需求进行分析,确定系统功能。系统包含用户管理、临近预报、预报记录和评分计算四大模块。系统采用Django框架作开发,可直接调用Kears框架,并加入消息队列用于处理预报任务,在提升系统性能的同时能达到更好的用户体验效果。