监测和及时预报台风、暴雨、强对流等灾害天气是气象预报领域最重要的内容之一。星载微波辐射计的遥感亮温图像能反演大气内部的热力结构和微物理特性参数,改善热带气旋的监测和预报。然而,受天线口径的限制,卫星遥感微波亮温图像的空间分辨率较低,造成对具有中小尺度的对流性天气如台风、降雨、冰云等观测能力不足。因此,利用数据后处理算法来提高微波遥感亮温图像分辨率的意义就显得十分重要。星载微波辐射计亮温图像分辨率下降主要是由于天线方向图、重叠足迹、系统噪声、地球曲率等因素造成。目前,微波亮温图像重建算法BG、SIR、维纳滤波对天线方向图准确度以及亮温图像先验性信息具有较大的依赖度,通常情况下只能一定程度上降低某一种亮温图像退化的因素。基于深度学习的微波亮温图像重建是将卷积神经网络引入到微波遥感亮温图像重建应用中,为了解决微波遥感亮温图像在低频段分辨率不足,对多个频率观测数据的重采样问题而提出的一种新型的微波遥感亮温图像分辨率增强算法,而训练数据集对于深度学习方法的效果至关重要。本文提出了两种基于深度学习的微波亮温重建算法SRCNN-MW和VDSR-MW以及其所需数据集生成方法。本文将实际观测场景的再分析资料输入到WRF模型和DOTLRT辐射传输模型得到视在亮温图像并模拟辐射计实际成像过程得到其对应的天线亮温图像,从而构建基于深度学习微波亮温重建实验所需的数据集。SRCNN-MW和VDSR-MW采用的是监督学习,其中视在亮温图像作为天线亮温图像的高分辨率图像。SRCNN-MW算法直接学习两种亮温图像之间的映射关系,而VDSR-MW算法学习残差图像与天线亮温图像之间的映射关系。亮温图像实验主要包括静止轨道仿真亮温图像重建实验、极轨卫星图像重建实验、ATMS实际观测亮温重建实验。其中静止轨道微波亮温实验探讨了SRCNN-MW网络结构(网络深度、宽度、卷积核空间大小)与其性能之间的关系和VDSR-MW网络层数与其性能之间的关系。实验表明,基于深度学习的SRCNN-MW和VDSR-MW算法不仅提高了亮温图像分辨率而且重建后亮温图像像素点的亮温值更加准确。相比传统微波亮温图像重建算法,SRCNN-MW和VDSR-MW视觉上分辨率提升的更明显,定量分析上亮温误差更小,算法所需时间更短,更适合于实际应用。VDSR-MW与SRCNN-MW相比,算法性能更好,但计算量更大。