与传统外推类临近预报方法相比，深度学习降水临近预报方法能够预报强降水的生消演变。目前应用较多的深度学习方法有PhyDNet、PredRNN-v2、GAN三种，前两种为深度学习框架下不同网络架构的时空卷积神经网络，第三种则是以PhyDNet为生成器、多层卷积为判别器构成的生成对抗网络。本文评估了上述三种方法在2023年江苏汛期(4—8月)的应用效果，并通过典型个例分析了各方法在不同降水类型中的适用性。结果表明：(1)从整体时段的评估结果看，PhyDNet和PredRNN-v2的TS评分表现优于GAN，而GAN对于主要降水雨带的预报偏差(BIAS)有着最优表现，可消除前两种方法中出现的随预报时效趋于平滑的问题。(2)系统性暴雨时段三种方法的评估结论与整体评估时段基本一致，但在局地强降水时段中，GAN的TS评分和BIAS表现均优于PhyDNet和PredRNN-v2。(3)典型个例分析结果表明三种方法均能刻画降水系统的生消演变，在系统性暴雨过程中，PredRNN-v2对降水增强过程的预报能力优于其他两种方法，而在局地强降水过程中，GAN不仅能够克服“模糊”导致的降雨区偏大的问题，还能更好描述降水中心强度及位置。以上结果表明，三种预报方法针对两类强降水预.报预警场景各具优势，PhyDNet整体评分表现最优，PreRNNv2适用于较长时效预报，GAN则适用于局地强降水预报，在实际业务中需根据各自特点择优参考。