热带气旋是最严重的自然灾害之一,主要包括大西洋和东北太平洋的飓风,南太平洋和印度洋的气旋,以及西北太平洋的热带气旋。热带气旋登陆时所携带的强风和强降水往往会对沿海地区的人民财产安全和社会经济发展造成重要影响。如何准确测算热带气旋强度,对热带气旋准确分类,减少沿海地区人民损失,已成为当下热门研究课题。传统的测算方法Dvorak方法的准确度往往取决于领域专家的主观性,而数值分析方法需要结合众多相关领域的先验知识,效率不高。近年来,深度学习在计算机视觉、自然语言处理、语音识别等领域的广泛应用,真正意义上实现了人工智能时代。尤其是深度残差神经网络（Deep convolutional neural network,DCNN）,能够自动提取目标数据的低层与高层特征,并且效率远远优于传统模型。基于此,本文通过构建深度残差网络,改进残差块,结合注意力机制,从通道和时间上对训练分配权重,对热带气旋的等级进行分类。并且应用网络,通过卫星遥感热带气旋图像自动化测算气旋强度,旨在使用残差网络模型算法提高测算气旋强度的自动化程度以及降低测算误差并提高热带气旋分类的精度,具体研究成果如下:1)对传统残差网络在数据样本小环境下分支卷积层特征浪费问题,以及热带气旋云图特征复杂,时空关联性强的特征,利用日本国立情报学研究所（National Institute of Informatics,NII）取自多个气象卫星在西北太平洋上空拍摄的8000多景高分辨率热带气旋云图数据,构建了训练集和测试集。本章提出了一种双注意力机制融合宽残差块的热带气旋等级分类算法,该算法对原始残差网络的残差块进行改进,建立了适应于热带气旋特征及数据集的恒等映射残差块结构,增加卷积输出来提高分支通路的利用率,引入注意力机制使网络关注热带气旋图像的时序特性,并抑制噪声和冗余信息。构建出适用于小样本热带气旋数据集的预报模型DAW-Res Net。实验结果表明,DAW算法在自建热带气旋数据集上的训练精度达到99.90%,测试精度达到86.19%,相较于Resnet50传统残差网络提高了5.94%。2)针对传统热带气旋强度估计算法Dvorak技术存在主观性的问题,数值模拟分析法需要大量的先验物理量导致效率不高。利用日本国立情报学研究所（National Institute of Informatics,NII）取自“GMS-5”等气象卫星在西北太平洋上空拍摄的20000多景高时间分辨率热带气旋云图数据,建立热带气旋强度识别的残差神经网络模型Resnet-TC,应用上文中适应热带气旋特征的恒等映射残差块结构,通过增加卷积输出来提高分支通路的利用率,充分提取气旋图像的高低层特征,提高网络性能。实验表明,Resnet-TC具有良好的算法稳定性,且自动化程度高,能有效对热带气旋强度进行估计,中心最大风速均方根误差为3.172m/s,平均绝对误差为2.146m/s均低于传统统计方法及CNN模型方法,参考值与预测值的相关系数达到0.9583。并且通过对模型的可视化分析,Resnet-TC提取的特征图与Dvorak TC模式提取特征相似,表明本文提出的方法对解释热带气旋的强度特征的有效性。