Las imágenes de observación de satélites geoestacionarios tienen las ventajas de un amplio rango de observación y alta resolución temporal, lo cual es crítico para entender el movimiento atmosférico y los patrones de cambio. La realización de la predicción de imágenes de observación de satélites geoestacionarios proporcionará un apoyo significativo para la previsión a corto plazo, incluyendo la previsión de precipitaciones. Aquí, este artículo propone un método de aprendizaje profundo para predecir imágenes de observación de satélites que puede realizar la tarea de predecir secuencias de observación de satélites. En el estudio de la predicción de las imágenes observadas para la Banda 9 del satélite FY-4A, el error cuadrático medio promedio de la predicción a 2 horas de la red es de 4.77 Kelvin. El rendimiento predictivo de la red es el mejor entre múltiples modelos de aprendizaje profundo. También utilizamos el modelo para predecir las Bandas 10-14 del satélite FY-4A y combinamos los resultados de predicción multibanda. Para probar el potencial de aplicación del rendimiento de predicción de la red, realizamos una tarea de detección de áreas de precipitación en los resultados de predicción multibanda. Después de 2 horas de predicción, los resultados de detección de imágenes infrarrojas de satélite aún lograron una precisión de 0.855.