闪电是一种严重的自然灾害,其造成的危害不容小视。准确的闪电预报能帮助人们规避风险,降低损失。传统闪电预报包括基于外推的方法和基于数值模式的方法等,但是这些基于物理模型的方法在性能方面尚有很大的提升空间。本文充分考虑闪电活动及其他气象要素的时间和空间属性,把闪电预报问题建模为时空序列预测问题,并应用深度神经网络构建有效的闪电预报模型和系统。本文的主要工作包括以下两个方面。第一,本文提出了一种带有注意力机制的深度学习模型——ADSNet,以实现逐时段的高分辨率网格闪电预报。ADSNet发挥了双源数据的优势,编码器-解码器框架将历史观测资料与数值模式数据自然地融合。应用于通道域的注意力机制实时地调整数值模式各种参量的信息比例,以增强模型的长期预报能力。第二,本文以ADSNet为基础,提出了多源异构数据融合模型AHSNet。它将自动气象站数据作为额外的数据源,扩增了预报可利用的信息量。针对离散化的站点数据与网格化数据难以融合的难点,本文设计并实现了插值和卷积融合两种解决方案。这两种方案不仅适用于闪电预报任务,也可为其他任务中类似的数据融合问题提供借鉴。本文在京津冀地区真实数据集上检验了所提方法的效果。相比于3种常用的闪电参数化方案,ADSNet模型可将12小时闪电预报的格点对格点综合评价指标提升2～3倍,命中率提升1～2倍。AHSNet的两种版本则进一步改善了6小时闪电预报效果。本文还在实验部分进行了消融研究,充分验证了所提的数据融合方式和注意力机制的有效性。