气旋是一种常见的天气系统，伴有气旋的天气变化剧烈，常常会引起强降水、雷雨大风、龙卷风、冰雹等灾害，对气旋的监测研究是气象防灾减灾主要关注的问题之一。尽管对气旋的研究已经取得不少成果，但由于气旋的尺度从几十公里到几千公里不等、表现形式多变，对其进行高精度科学分析仍然存在挑战。
　　本文将大尺度气旋聚焦于台风天气，将中小尺度气旋聚焦于强对流天气，主要利用强化学习和深度强化学习方法对基于气象卫星数据的台风中心定位问题和基于多普勒雷达径向速度数据的强对流风场反演问题进行研究，主要工作如下：
　　1.在台风中心定位问题上，气象卫星是监测台风的主要设备之一，研究数据来自于静止气象卫星的图像产品、国家气象局定期发布的热带气旋最佳路径数据集。本文提出将台风中心定位问题转化为在卫星云图上利用搜索框搜索台风中心的一系列决策过程，建立马尔科夫决策过程模型，定义强化学习的要素，包括动作、状态、奖励；训练由卷积神经网络和深度Q网络构成的深度强化学习网络，并基于网络的输出设计台风判定条件，以此在台风中心定位过程中对台风云系进行判定，实现了一张卫星云图上的多台风检测及中心定位。实验结果表明，所提方法适用于不同等级不同形态的台风检测及中心定位，大约12次搜索即可完成一个台风的中心定位，同时给出台风序列的中心路径，平均经度和纬度误差分别为0.28°和0.25°；算法的平均召回率达到91.6％，识别精确度随台风等级的增加而提高，对5~6级台风识别的精确度达到100％。
　　2.在强对流风场反演问题上，多普勒天气雷达是监测强对流天气的主要工具之一，基于对多普勒雷达监测径向速度原理的理解，结合对强对流典型流场模式数学模型的分析，建立了强对流径向速度图模拟系统，实现了强对流典型流场映射到多普勒径向速度图上的可视化。本文提出一种类似“图像修复”思想的强对流流场反演方法，将反演问题分解为流场初始化与流场调整两部分，将强化学习应用其中，进行了尝试性探究。对基于模拟平台给出的样本数据进行实验，实验结果表明所提方法可以有效反演以气旋为主流场的简单复合流场，并且证明在流场调整阶段径向速度图的相似度可以代表矢量流场的相似度。