强对流天气所引发的灾害给人民生命财产安全与国家基础建设带来巨大的损失,准确识别强对流云是有效防范强对流灾害的重要前提。本文的主要工作围绕着FY-2G静止卫星的三个红外通道数据以及雷达组合反射率数据展开,针对卫星云图中强对流区域的识别问题,本文结合计算机视觉技术与深度学习算法,设计一套识别卫星云图强对流区域的语义分割算法,并依靠机器学习对该算法进行增强。主要工作如下:（1）收集本次研究所需的卫星云图数据与雷达反射率数据,在此基础上研究如何将两类图片做时间与空间分辨率的对齐。后以卫星云图为原图,雷达图为标注构建语义分割数据集。（2）针对卫星云图强对流区域的识别问题,本文设计了一种改进PSPNet语义分割算法,以Res Net50深度神经网络为特征提取网络,针对强对流区域小而分布不均的特点,改进金字塔池化模块,融合更多小尺度上的特征信息,使得模型的感受野集中于小区域,让模型更多地获取这些小区域的语义信息,最终识别准确率提升到了79.24%,交并比提升到59.85%。（3）实现了利用机器学习模型对语义分割模型提升性能的思想,本文将卫星云图经SLIC分割成超像素区域并提取15维的特征空间,设计了Bagging-SV M算法来降低非强对流的超像素数量并以该算法的识别结果为基础制作掩膜,将语义分割模型的测试集识别结果图与掩膜相点乘,最终提高交并比到60.38%,增强本文语义分割模型的效果。