临近预报是指对当前天气情形进行详细的监测,并对未来2小时内的天气状况进行预报。临近预报的工作重点在于对台风、强降雨、冰雹、雷暴等突发天气进行预测,对当今社会有着重要价值。目前临近预报主要通过对雷达回波图像的分析以及对未来雷达回波图像的预测实现,因此临近预报的核心问题即为雷达回波的外推。自上世纪50年代开始人们已经对雷达回波的外推技术进行了研究并逐渐形成了一系列的传统方法,其中光流法因其可以对变化强烈的天气场进行外推而得到了广泛的应用。但光流法的三大假设在雷达回波图像领域不成立,导致其预测图像精度不高,无法满足预测需求,同时其无法利用已有的大量气象数据。随着近年来的深度学习发展,人们陆续提出了一系列基于深度学习的雷达回波外推模型,虽然预测指标有所提升但仍然有着生成图像模糊失真、细节消失的缺点。针对该问题,本论文主要完成了以下两个方面的研究内容:首先,本论文针对现有深度序列外推框架提出三点改进策略。通过对于现有深度序列预测框架的分析指出主要问题在于两点:循环神经网络单元对于时空信息建模能力不足;在提取雷达图像空间特征时存在特征损失。因此本论文提出三点改进策略:降低采样层信息损失;增强采样层性能;增强循环神经网络单元性能。通过对比试验,本论文证明三种改进策略能够提升预测的准确性,提高生成图像的质量。其次,基于三种改进策略对当前框架进行改进后,其结果仍然存在着清晰度不足和细节缺失的问题。因此本论文提出基于EBGAN的雷达回波外推模型,该模型在三种改进策略的基础上引入基于能量的判别器,并将判别器视为可学习的目标函数。该模型利用GAN网络在图像生成领域的优势对雷达回波外推算法生成图像的质量进行优化,以解决预测图像清晰度不足、失真的问题。通过实验,本论文证明该结构的有效性。