机器学习算法与传统天气预报相结合而产生的智能天气预报,有助于对天气状态进行多角度、全方位分析。未来,智能天气预报将集数值预报、统计分析、机器学习、预报产品释用于一体,实现对天气状态的无缝隙、精细化预报。预报资料的系统化预处理、海量资料的高效分发传输、精细化预报需求,使得智能天气预报面临以下三个亟待解决的问题:(1)实时预报时,如何对观测资料进行高效去噪;(2)为了高效传输、处理超分辨率数据,如何进行压缩、重构;(3)为了利用预报产品进行小尺度天气过程分析,如何插值再分析资料。立足这些问题,本文开展的工作如下:(1)针对红外高光谱通道资料的云检测。提出了基于特征通道的特征构建方法;并利用构建的特征,设计了基于logistic的红外高光谱云检测算法。实验表明,特征通道的选取思路合理;对于海上区域,检测正确率达95%以上,陆地区域加入地表发射率特征后,检测召回率提升了12%;算法适用于实时云检测。(2)红外高光谱资料压缩、重构。设计了基于谱-空卷积的HCR红外高光谱压缩重构算法。实验表明,在相同的压缩比率下,HCR的重构均方误差比传统基于主成分分析的重构均方误差降低了13.82%。(3)针对低分辨率再分析数值产品的空间插值。针对天气过程,设计了多尺度各向异性核函数,并基于此核函数,设计了基于高斯过程回归的多变量插值算法。实验表明,插值无气旋的天气过程后,新模型与三次样条相比,均值均方误差降低了20%以上;插值有气旋的天气过程后,新模型与三次样条相比,均值均方根误差降低了约55%,与后向传播神经网络相比降低了约95%。