En este estudio, proponemos un modelo llamado CNN-BiLSTM-AM que utiliza técnicas de aprendizaje profundo para predecir el tiempo convectivo severo basado en datos horarios de ERA5 y observaciones. El modelo integra una CNN con un sistema de Memoria a Largo Plazo Bidireccional (BiLSTM) y un Mecanismo de Atención (AM). La CNN se encarga de extraer características de los datos de entrada, mientras que el BiLSTM captura efectivamente las dependencias temporales. El AM mejora los resultados al considerar el impacto de los estados de características pasadas en los fenómenos meteorológicos severos. Además, evaluamos el rendimiento de nuestro modelo en comparación con arquitecturas de red tradicionales, incluyendo ConvLSTM, Predrnn++, CNN, FC-LSTM y LSTM. Nuestros resultados indican que el modelo CNN-BiLSTM-AM exhibe una precisión superior en la predicción de precipitaciones. Especialmente con la extensión del tiempo de pronóstico, el modelo se desempeña bien en múltiples métricas de evaluación. Además, un análisis de interpretabilidad de los mecanismos del tiempo convectivo utilizando aprendizaje automático destaca el papel crítico del agua total precipitable (PWAT) en las predicciones de precipitaciones intensas a corto plazo. También enfatiza el impacto significativo de las variables regionales en los patrones de tiempo convectivo y el papel de la energía potencial convectiva disponible (CAPE) en fomentar condiciones propicias para la convección. Estos hallazgos no solo confirman la efectividad del aprendizaje profundo en la identificación automática de características meteorológicas severas, sino que también validan la idoneidad del conjunto de datos de muestra empleado. Dada su notable rendimiento y robustez, abogamos por la adopción de este modelo para mejorar la predicción del tiempo convectivo severo en diversas aplicaciones comerciales.