海面风场是上层海水运动的主要动力来源,是海洋学的重要物理参数,在区域及全球气候变化中起着举足轻重的作用,对于海面风场的准确预测有利于全球天气预报的发展以及海浪的预防。因此,对于海风的监测与研究是十分有意义的。对于3-18m/s风速段数据,当前基于GNSS-R反演海面风场的方法得到的精度在2.2m/s左右,存在与风场相关的物理量提取不完备、模型复杂以及反演耗时长等或多或少的缺点。为了进一步缩短反演时间并提高反演精度,本文以GNSS-R技术结合深度学习神经网络来反演海面风场为研究方向展开了相关工作。本文利用TDS-1(Tech Demo Sat-1)卫星数据与欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts,ECMWF)数据构成原始样本集,对其进行筛选、采样、归一化处理、切分成训练集和测试集等操作,得到的训练集和测试集分别用于BP(back propagation Neural Network)和CNN(Convolutional Neural Networks)模型的训练和测试,最终构建了以卫星的DDM数据图为输入,海面风速为输出的海面风速预测神经网络模型。BP模型预测结果的均方根误差在1.75-2.01m/s范围内,CNN模型预测结果的均方根误差在1.50-1.82m/s范围内,分别与两种传统反演方法——经验函数法和波形匹配法,以及两种机器学习海面风速反演模型——随机森林和SVR(Support Vector Regression)的反演结果进行比较,神经网络模型的反演效果皆具有明显优势,反演精度提高了20%左右。本文验证了神经网络算法能够用于GNSS-R海面风速的反演,尤其验证了CNN神经网络方法具备建模时间短、反演速度快、精度高的特点,推动了深度学习技术在GNSS-R海面风场遥感领域的应用研究,并且为我国即将发射的风云三号E星GNOSII载荷的GNSS-R海面风速遥感奠定了反演算法研究基础。