近年来,互联网技术的快速发展不断提高着人们的生活品质,这也使人们对新技术的应用提出了越来越高的要求。高精度天气预报、自动驾驶等任务在这一过程中成为急需解决的问题。随着机器学习尤其是深度学习算法在图像领域的飞速发展,图像序列预测技术也在不断发展逐渐成熟。在当前的气象预报领域,雷达回波外推是一种短临降雨预报业务中广泛应用的技术。业务中,雷达回波外推采用的一般是光流法为代表的传统算法,存在长时间外推效果不佳,对雷达回波数据中信息利用率不高的问题。本文采取深度学习方法,提出了一种基于金字塔生成对抗网络(P-GAN)的模型,该网络模型中增加了多尺度网络和多种损失函数协同训练,建立了输入图像序列与预测结果图像的映射关系。以广东省近九年来收集的S波段多普勒雷达数据集进行实验,实验结果表明,与以光流法为代表的传统的雷达回波外推方法相比,本文中设计的预测模型能够获得更高的预测图像准确率,在多个指标上有明显提升,能够获得更真实的预报图像。由于问题的复杂性,所提出的序列图像预测模型训练耗时长,超参数数量大,人工进行超参数优化需要大量精力反复尝试寻找,而机器学习中流行的格点搜索、随机搜索和贝叶斯优化算法也需要大量时间进行反复迭代,来找到较好的超参数组合。为解决此问题,本文对反向自动差分算法(Reverse-Mode Automatic Differentiation,RMAD)进行改进,提出一种实时超参数自动优化算法。该算法通过在模型训练过程中不断对验证集样本计算损失函数对目标超参数的梯度,基于该梯度对超参数进行自动优化,只需要一轮耗时较长的训练过程就可以完成对目标超参数的优化,减少了反复调整迭代调整超参数所需要的时间,且通过实验证明,该方法能够提高模型的预测效果。