极区海冰影响大气和海洋环流,对全球气候变化起着重要的作用。海冰密集度是表征海冰时空变化特征的重要参数之一。机器学习算法迅猛发展,在各领域广泛应用,但应用于极地海冰领域的研究较少。本文对使用FY-3C微波扫描辐射计亮温数据反演极区海冰密集度的方法进行了研究。一部分工作为:经过时空匹配、线性回归,修正了FY-3C微波辐射计亮温数据。使用两种天气滤波器和海冰掩模滤除了大气影响所造成的开阔海域虚假海冰;使用最小密集度模板去除陆地污染效应。通过计算2016、2017年极区海冰面积及范围两个参数,对得到的海冰密集度产品进行了验证,两年的海冰范围和面积趋势基本与NSIDC产品一致,平均差异小于3%。另一部分工作为:使用2016年每月不同波段的FY-3C微波辐射计的亮温数据作为训练数据,将相应的NSIDC产品作为标签,通过不同波段数据的组合、网络节点和优化方法的选择训练最优模型。Levenberg-Marquardt算法训练的8-12-1的神经网络最适合海冰密集度的反演。23.8GHz通道对于去除水汽影响有效,位置信息能够减少陆地溢出效应影响。通过计算2017年海冰范围和面积验证神经网络反演的海冰密集度,北极海冰范围和面积均方根误差分别为0.12×10~6km~2和0.16×10~6km~2,相关性良好。本研究结果为发布我国自主卫星的极区海冰密集度业务化产品奠定了基础,制作的产品可保障面临中断的近40年极区海冰记录的一致性、连续性。给出适用于海冰密集度反演的神经网络模型,为海洋大数据的应用提供参考。