雷达回波外推是0—2 h强对流短临预报的核心手段，但现有深度学习外推模型普遍存在强回波低估与结构模糊问题，且单一确定性预报难以表达对流演变的本征不确定性。针对上述问题，本研究发展了气象要素多尺度感知的雷达回波外推模型IMPA-Net，并在其基础上构建了生成式集合概率预报框架。IMPA-Net通过空间混合模块实现雷达回波、地面降水率、地形高程与气候态沿坡风分量的多源局地融合，利用多尺度注意力显式建模对流系统的非局地时空联系，并采用按回波强度与训练进程动态加权的损失函数平衡强弱回波贡献。在江苏组网S波段雷达拼图数据集（6 min/0.01°，输入20帧预报20帧）上，IMPA-Net对≥45 dBZ强回波的CSI与POD分别达0.084与0.128，优于6种深度学习基线模型，消融试验与注意力归因分析进一步支撑了设计的合理性；模型向南昌本地数据迁移并经强回波目标函数校准后，CSI与POD提升至0.142与0.194。在此基础上，以冻结的IMPA-Net预报为确定性锚点，并行发展像素空间残差扩散与潜空间条件流匹配两条生成路线，各生成8个集合成员，并通过无参数的概率约束融合生成单场产品。结果表明，融合产品在缓解集合均值过平滑的同时保留强回波幅值，扩散路线HSS@45由0.148提升至0.160，且中小尺度（2—20 km）谱能量更接近实况。该框架有效减缓强回波强度与组织结构随时效的衰减，可同时提供确定性、集合与概率型预报产品，为强对流预警提供技术支撑。

雷达回波外推；短临预报；深度学习；多尺度注意力；扩散模型；流匹配；集合预报