Para resolver los problemas del actual modelo de extrapolación de radar de aprendizaje profundo que consume muchos recursos y el resultado final de la predicción que carece de detalles, se propone un modelo de superresolución de imágenes de radar meteorológico basado en SR3 (superresolución a través de la restauración y reconocimiento de imágenes) para imágenes de radar. Este modelo utiliza un modelo de difusión para superresolver imágenes de radar meteorológico y generar imágenes de alta definición, y optimiza el rendimiento de la red de denoising U-Net sobre la base de SR3 para mejorar aún más la calidad de la imagen. El modelo recibe imágenes de alta resolución con ruido gaussiano añadido y realiza un empalme de canales con imágenes de baja resolución para la generación condicional. Los resultados experimentales mostraron que la introducción del modelo de difusión mejoró significativamente la resolución espacial de las imágenes de radar meteorológico, proporcionando nuevos medios técnicos para aplicaciones en campos relacionados; cuando el factor de amplificación fue 8, Radar-SR3, en comparación con el modelo de superresolución de imágenes basado en la red generativa adversarial (SRGAN) y el algoritmo de interpolación bicúbica, la relación señal-ruido pico () aumentó en un 146% y un 52% en promedio. Según este modelo, es posible entrenar modelos de extrapolación de radar con recursos computacionales limitados utilizando imágenes de alta resolución.