热带气旋(Tropical Cyclone,TC)是一种气旋性环流,体量巨大,直径小的有300--400km,大的可达1000--2000km,往往是发生在热带和亚热带的海面上的,具有严重的破坏性。为了减轻其带来的灾害影响,研究人员致力于对TC强度和TC路径的预测研究。本文利用FY-2号卫星扫描所得以及日本国立情报学研究所(National Institute of Informatics,NII)提供的热带气旋红外亮温资料,提出一种热带气旋定强方法。主要完成以下四个步骤的研究:(1)提出一种基于Faster-RCNN的热带气旋检测模型,该模型能够从红外卫星图像中提取包含热带气旋的感兴趣区域,以任意大小的静止红外卫星图像作为输入,生成热带气旋的包围盒和置信度分数。实验结果表明,给定任意一幅红外卫星云图,该模型可确定其中是否存在热带气旋目标实例,如果存在,就返回其空间位置和覆盖范围。热带气旋的强度等级越高,该模型识别的准确率越好。(2)提出一种基于深度卷积神经网络结合热带气旋年鉴资料的热带气旋强度分类模型,该模型可将第一步检测出来的热带气旋的强度分为风暴、强风暴、台风、强台风、超强台风五类。卷积神经网络能够进行自主学习,包括四个卷积层,四个池化层和两个全链接层,用SOFTMAX层作为分类器,强度分类的准确率达96.2%。(3)结合第二步分类出来的不同强度类型的热带气旋静止红外卫星图像,和热带气旋年鉴资料,提出一种基于深度卷积神经网络的热带气旋分类定强模型,该模型对五种不同强度级别的热带气旋数据进行测试,平均绝对误差在1.80m/s-2.97m/s之间,(4)利用机器学习的方法构建热带气旋定强建模,以热带气旋中心为圆心,到距中心距离450km范围内,从热带气旋中心出发以径向每50km为间隔,向外拓展截取云图。再以热带气旋云图上每一点作为参考点,计算获得偏差角阵,构建偏差角-梯度共生矩阵。利用共生矩阵中的统计参数,并结合热带气旋中心风速,构造与热带气旋强度密切相关的特征因子,利用机器学习(相关向量机)建立热带气旋客观定强模型。得出热带气旋最佳定强尺度,将预测结果与深度学习定强模型结果进行对比分析。将上述三种深度学习方法模型结合在一起,组成一个完整的热带气旋定强系统。该系统输入一幅静止红外卫星云图,首先检测其中是否存在热带气旋目标,若存在,则标定出其覆盖位置,依据识别出的位置,系统剪切出一个热带气旋单独目标,再对该目标进行强度类别分析,确定其强度类别。最后,对确定出强度类别的热带气旋进行强度估计,确定其近地面最大中心风速。本文结合三种深度学习模型的热带气旋定强方法具有良好的效果,可以对TC的强度进行有效的估测,对比传统的热带气旋定强方法,本文方法提高了TC中心风速的估计精度,具有较好的稳定性。