为高效地利用红外降雨图进行雨量强度分类，提出了一个融合编码与解码卷积特征的雨量强度识别模型。引入编码与解码卷积于深度卷积神经网络分类模型中，在减少局部信息丢失的同时提取深层次的雨纹信息特征。于编码、解码卷积模块中考虑多尺度感受野卷积，融合不同范围的局部特征，同时在解码时融合相同尺度的编码与解码卷积特征图，提高特征利用率，从而构建一种融合编码与解码卷积特征的雨量强度识别模型。所提模型的分类精度优于主流卷积神经网络框架，分类正确率最高达到了91.7%，且消融实验结果验证了编码与解码模块的有效性。

针对目前全天空成像仪云图特征提取方法繁琐的问题，提出一种结合双线密集结构和梯度信息的云种分类模型，即双线程梯度卷积神经网络（DGNet），以优化网络对云图特征的学习能力。以双线程并行的密集模块搭建分类模型，同时融入梯度算法于特征图中。实验结果表明，所提模型的识别正确率与经典的模型相比有显著改进，正确率达67.00%。所提模型采用多线程、多尺度梯度密集模块结构，减少特征信息损失；利用梯度算法充分提取云图的梯度变化特征，增强模型对云种识别的精度；提出新云图数据集，该数据集包含10类云图，每类100张，共1000张全天空成像仪图像；与现有模型相比，所提模型获得最佳精度，证明了模型的可行性。

针对大部分降水临近预报产品无法兼顾高覆盖率、高准确率及低成本的问题,提出一种基于室外监控图像和深度神经网络能预报未来1 h降水强度的方法。设计双流3D卷积神经网络来提取图像降雨信息的高维特征。该网络在低计算代价下自适应产生局部信息,并通过双损失函数从整体和局部统筹网络,提取降雨信息的时间特性和空间特性。实验结果表明,在降水强度预报领域,基于双损失函数的神经网络优于单损失函数。所提网络的误警率、命中率、临界成功指数、准确率在多数情况下优于其他模型。在模型效果可视化方面,所提网络能有效提取降水图像的特征信息。所提降水临近预报方法有能力进行精细且低成本的降水临近预报。