热带气旋是通常发源于热带或副热带地区洋面上的一种剧烈的天气现象,是我国重要的自然灾害之一。为了研究热带气旋的发生机理、生命周期甚至是发展趋势,首先要对其进行有效的识别。借助卫星得到的观测数据往往不够精确,而热带气旋本身破坏力强大,近距离的观测难度很大。因此,气候学家通常借助超级计算机上的气候模拟软件进行模拟,再根据多个变量的阈值条件对其进行经验性的判定,不同气候学家的判定标准往往不一致,这不利于成果的客观化。目前,气候研究领域已经有一些借助神经网络对科学数据进行分析处理的先例。本课题利用深度学习方法实现了大规模、像素级别的气候模式分割,尝试从复杂的气候科学数据中学习一种普适的模式,避免主观阈值带来的影响。基于“天河二号”超级计算机,我们利用CESM中的CAM5模块生成了 0.5度空间分辨率的5年气候模拟数据集。进而,提出了将传统的气候模拟数据转换为神经网络训练数据的一套完整的方案。通过利用TECA工具对气旋中心的标定、数据标签的预处理和其他一系列的标签生成算法,以及一系列的数据后处理与规整策略,可以有效、批量的将科学模拟数据转换为训练数据文件。最后,本课题立足于科学数据集的整体规模较大、单个文件较大、分割目标极小的特点,分析了数据输入存在的流水线需求,基于DeepLabV3+的网络架构设计了解决热带气旋识别问题的深度神经网络模型。为解决分割目标极小带来的类别不平衡问题,使用了带权重的交叉熵损失函数。数据的特殊性给网络搭建提出了新的要求,本文中使用了数据预处理、数据流水线、数据shuffle等一系列的优化策略,用于神经网络的搭建和优化,取得了一定的效果。最终,该网络模型在训练集和测试集上都实现了有效收敛,取得了51.43%的mIOU表现。对识别结果图的一系列分析也表明了该模型具有明显的识别效果。