本文基于注意力机制和编码-解码结构设计了OF-RainNet降水预报模型，实现了降水平流外推运动信息和深度学习模型的有效融合。以北京地区为试验区域，构建1km分辨率，逐6分钟的1h和2h的降水临近预报试验，得到如下结论： 1） 模型以SWAN的1hQPE和0-2hQPF作为输入数据，通过编码阶段显式输入SWAN外推产品，实现传统外推和深度学习模型的融合。模型引入SuperTokenAttention超级词元注意力模块结构，提取面向降水临近预报有意义的语义单元并计算多头注意力，设计分段权重的损失函数，最终实现降水的1h和2h临近预报。 2） 通过2024年7-8月和2025年7-8月北京试验区长时间序列对比试验发现，OF-RainNet在5mm/h，10mm/h，20mm/h，50mm/h的1h、2h预报时效的TS评分全部高于SWAN-QPF和PredRNNV2模型，其中在≥10mm/h的阈值段内，相对提升超过10%，说明OF-RainNet融合外推预报和深度学习模型后能获得正预报技巧，强降水预报性能提升明显。 3） 相较于未引入光流外推产品和STA模块的基础版本模型，OF-RainNet的TS评分显著提升，强降水Bias略高于1。说明模型通过引入STA模块和外推产品，能够有效提升模型的强降水预报能力。 4） 通过个例分析发现，OF-RainNet的预报性能优于PredRNNv2，对强降水持续阶段的预报能力优于局地触发阶段，1h预报优于2h预报OF-RainNet的1h预报明显优于2h预报，强降水持续阶段的预报能力优于强降水局地触发阶段。 预报试验结果表明，仅依赖雷达观测的外推预报，难以捕捉强降水的局地精细化发展演变特征，尤其是对局地触发的强降水预报技巧较低。本文通过深度学习模型构建多源预报数据融合框架，实现了不同预报方法数据的有效融合，为未来的工作提供了新的思路和技术方向。后续研究可在模型输入层扩展不同方法的预报产品，如“风雷”预报产品、数值模式环境场，物理量场和回波预报场等。通过深度学习模型挖掘各类预报产品的核心优势，实现多预报方法的集成融合，进一步提升临近客观预报对降水生消演变的预报能力。