本文基于PredRNN++、MIM、CrevNet和PhyDNet四种深度学习模型，利用武汉地区2012—2019年的雷达和降水资料，通过定义回波面积指数，检验评估了四种深度学习模型对武汉地区不同面积雷达回波临近预报的预报性能。结果表明：（1）随着回波强度的增加，所有深度学习模型的预报能力均迅速降低，一般强度回波的命中率（Probability Of Detection，以下简称POD）和临界成功指数（Critical Success Index，以下简称CSI）远高于强回波，而一般强度回波的虚警率（False Alarm Rate，以下简称FAR）则远低于强回波；（2）不论是一般强度回波还是强回波，随着面积增大各深度学习模型的POD均上升，FAR降低，因而CSI得以提高，但这种上升和降低的幅度，在一般强度回波下更显著；（3）无论是一般强度回波还是强回波，同一回波面积之下PredRNN++模型的POD和CSI均最高，CrevNet最低，MIM的FAR均最低，各模型之间的差异在一般强度回波时表现得更加明显，且这种差异性可能主要是由各模型之间不同的内在结构所导致；（4）从时间演变来看，无论何种面积、何种强度的回波，随着预报时效的增加，深度学习模型的POD均缓慢降低，FAR缓慢增加，因而CSI也缓慢降低，但随着预报时效的延长，降幅和增幅都逐渐变小，60 min之后曲线趋于平缓，但不同面积之间的差异却逐渐增大。