强对流天气是由大气强烈的垂直运动引发的雷暴、对流性大风、短时强降水、龙卷风等灾害性天气，是仅次于热带气旋、地震与洪涝的世界第四大灾害性天气。近年来，我国强对流天气频发，造成重大财产损失与人员伤亡，及时准确地识别强对流云对于强对流天气的监测与预警具有重要的应用价值。受限于观测手段、观测能力以及对大气强对流运动的热力学和动力学机理认识的不足，强对流云的识别依然是极具挑战的研究问题。气象卫星观测时空范围广，相比雷达观测可更早地捕捉对流初生的信号，因而成为重要的观测手段。2021年6月，我国风云四号B星（FY-4B）发射升空，其提供的更高时空分辨率观测数据进一步提升了对中小尺灾害天气的观测能力。本文基于FY-4B数据，在从定性到定量的综合集成方法论指导下，采用知识与数据协同驱动的机器学习方法，开展强对流云的可解释性特征提取、真值标签学习和端到端识别模型的研究，研制卫星观测的全天候强对流云识别系统。论文的主要工作与创新点归纳如下：

（1）针对单次观测卫星快照的强对流云识别问题，本文提出了一种基于云微观物理特征和语义分割深度神经网络的卫星快照强对流云识别方法。根据强对流云的深厚、云顶呈冰云相态和云顶高的垂直结构特性，提取云光学厚度、云顶相态和云顶高度微观物理特征图。在FY-4B快速成像仪（GHI）数据集上的实验结果表明，该方法相比原始多光谱图直接输入语义分割网络和传统的云顶亮温阈值法都显著提升了识别性能，调和准确率（F₁）达到0.4434。

（2）针对实际业务中存在的强对流云真值标签的获取难题，本文分析了标签设计的正、反问题，即何种含噪标签能使机器学习推断出真实标签？以及如何生成此类含噪标签并结合机器学习得到真实标签？并提出了一种基于从定性到定量综合集成的强对流云真值标签学习方法，利用专家对于强对流云空间分布知识生成一系列随机定性猜想标签，后通过多个数据驱动的深度学习模型集成消除标签噪声和观测依赖，估计出强对流云真值标签。实验结果表明，该方法学得的强对流云标签消除了业务常用的雷达组合反射率≥35dBZ判识准则导致的大部分不确定性和噪声，提升了标签质量，且利用该标签训练的模型大幅提高了强对流云的识别性能，在卫星快照识别任务上F₁达到0.7611。

（3）针对单次卫星观测难以准确识别强对流云的垂直运动状态问题，本文提出了一种基于图像集合选择性融合时相特征的卫星观测序列强对流云识别方法，基于卫星快照识别结果提取云顶降温量和云顶表观变动（分形维数）时相特征，据此选取历史时间窗内的关键帧，通过卷积网络融合关键帧与当前帧实现强对流云的时相信息自动挖掘与运动状态识别，有效避免了对流云的目标跟踪难题和复杂大气运动的时序特征建模难题。实验结果表明，融合云顶降温量或云顶表观变动时相特征的强对流云识别结果都要优于单次观测卫星快照的识别结果（F₁分别高出0.03和0.02），图像集合关键帧的选取与融合相比时序特征融合不仅在识别效果上有提升，而且提高了推理效率，能够达到分钟级的实时监测识别要求。

（4）针对卫星观测可见光与近红外通道无法在夜间使用的问题，本文基于FY-4B卫星先进静止轨道辐射成像仪（AGRI）数据和GHI数据分别设计了夜间强对流云识别方法。实验结果表明，基于FY-4B AGRI构建的夜间强对流云识别模型相比基于FY-4B GHI构建的模型识别结果更优（F₁高出0.09）。本文将夜间识别模型应用至超强台风“轩岚诺”外围强对流云的识别任务中，验证其模型良好的泛化性能，并研制了卫星观测的全天候强对流云识别系统，白天采用FY-4B GHI可见光与近红外通道识别模型，夜间采用FY-4B AGRI多红外通道识别模型。