强对流天气演变迅速、破坏性强,是具有重大杀伤性的灾害性天气之一,严重威胁人们的生命财产安全。临近天气预报是对强对流天气进行监测和预警的主要手段,通常使用雷达回波外推和数值预报相结合的方法。雷达回波外推是指根据当前的雷达回波数据,推算预测未来的回波数据,是2小时以内的临近天气预报使用的主要方法。传统的雷达回波外推方法在回波稳定时表现较好,可以较为准确地跟踪回波运动变化,但对于回波变化较快的天气过程,预测准确率大幅下降。此外,传统的雷达回波外推方法的预测时效较短,准确性随预测时长的增加快速下降。随着中国新一代多普勒天气雷达逐渐部署使用,如何改进雷达回波外推算法,有效利用多普勒天气雷达回波数据来提高临近天气预报的准确性和时效,是一个意义重大的研究方向。本论文首先分析了新一代多普勒天气雷达CINRAD-SA的工作方式和回波数据,并对当前主流的雷达回波外推算法进行了介绍和分析。根据雷达回波外推的时序性特性,本论文引入了深度学习领域用于解决时序问题的RNN网络,在研究和分析了RNN网络的原理和特性后,使用RNN网络中的LSTM模型应用于雷达回波外推问题。最后,根据LSTM模型对雷达回波外推问题的实践,提出了一种基于LSTM模型的RET-RNN模型,并在实践过程中对RET-RNN模型的结构和超参数进行了优化。在气象学中,反射率因子与降水的强度具有一定程度的关联,由雷达回波生成的反射率因子图是测量短期临时降水的重要工具。本论文使用反射率因子图作为外推目标,使用历史回波数据训练RETRNN模型,将训练好的RET-RNN模型进行外推应用和评估。结果表明,与传统雷达回波外推算法相比,基于RET-RNN模型的回波外推算法在外推时间较长时效果更好,具有相对较长的时效。