强对流天气引发的降水是许多自然灾害发生的原因之一,与人们的生活息息相关。近年来,强对流天气引发的自然灾害时有发生,对人民的生命和财产安全造成了严重威胁,给国家造成了严重的经济损失,因而短临预报的准确与否成为了一个被广泛关注的问题。随着气象监测设备的发展,基于雷达回波的短临降水预测技术成为当前短临预报技术的研究重点,深度学习技术开始广泛应用于短临预报技术的改进之中,但目前准确率和预报时效方面仍然不足以满足业务需求。为了进一步提升短临预报的准确率,本文改进了雷达数据的质量控制算法,并基于时空预测网络和卷积神经网络等技术,通过对雷达外推与降水估计两种算法进行研究与改进,提升了预报的准确性。本文的主要研究工作如下:（1）针对雷达数据质量不稳定的问题,引入组合反射率参与计算,缓解扫描山脉时严重的波束遮挡问题,使用k近邻算法进行等经纬度栅格插值（0.005°×0.005°）,优化回波去噪方法,提高雷达数据的质控水平。同时,制作短临降水预测数据集一套,用于本文所提雷达外推与降雨估计算法的实验。（2）针对雷达回波外推精度偏低和清晰度快速下降的问题,考虑了时空特征的差异性,提出一种时空特征并行提取的雷达外推模型,基于可变形卷积和卷积门控单元设计了捕捉时间轨迹变化的时间编码器,基于多感受野的金字塔卷积设计了捕捉空间分布变化的空间编码器,通过残差结构和交叉融合机制优化特征融合结果,最后利用超分重建技术对融合的特征进行解码,迭代生成外推回波序列。（3）针对传统Z-R关系拟合能力不足,时空特性利用率低的问题,提出一种时空深度融合的降雨估计模型,通过堆叠领域修正单元,利用前一时刻的输入或者提取到的特征,对当前的特征进行逐步的修正和补充,丰富时空特征的提取,之后通过全局平均池化与1×1卷积得到降雨强度的回归值。