La extrapolación del eco del radar proporciona información importante para la predicción de precipitaciones. Los métodos existentes de extrapolación del eco del radar se basan en la arquitectura de Entrada Única-Salida Única (SISO). Estos enfoques de predecir recursivamente la imagen del eco predictivo con la imagen del eco actual como entrada a menudo resultan en acumulación de errores, lo que lleva a una severa degradación del rendimiento. Además, las variaciones del movimiento del eco son extremadamente complejas. Diferentes regiones de ecos fuertes o débiles deben recibir diferentes grados de atención. Los métodos anteriores no han sido diseñados específicamente para este aspecto. Este artículo propone una nueva red de extrapolación del eco del radar basada completamente en una red neuronal convolucional (CNN). La red utiliza una arquitectura de Múltiple Entrada-Múltiple Salida (MIMO) para mitigar los errores acumulativos. Incorpora un módulo de atención convolucional de gran núcleo y múltiples escalas que mejora la extracción de información tanto local como global. Este diseño resulta en un rendimiento mejorado mientras reduce significativamente los costos de entrenamiento. Los experimentos en conjuntos de datos de eco de radar de dual-polarización de Shijiazhuang y Nanjing muestran que el modelo propuesto, completamente basado en CNN, puede lograr un mejor rendimiento mientras reduce el costo computacional.