云是空气中水凝物经过凝结作用后漂浮在大气中的可见聚合体,是大气层热力过程和动力过程的外在表现,也是水汽流动和循环的重要载体。不同类型的降水云常伴随着不同的降水天气过程,对降水云进行准确识别,对灾害性强降水天气过程的预测具有重要的参考意义。云中水凝物的识别,可让我们更好的理解降水过程中水凝物相态的演变过程,对雷达定量降水估计、人工影响天气、航空气象等领域的研究具有重要的指导意义。本论文将从降水云识别和水凝物识别这两个方面展开探究。传统降水云识别方法利用层状云和对流云对应雷达反射率在三维形态结构特征上的差异,人为的筛选识别参数来对降水云类型做出判别。这些识别方法的准确度依赖于识别参数选取的合理性与数量,然而,识别参数的增加导致了计算量的倍增,大大降低了算法的运行效率。本论文提出了一种基于深度学习的降水云识别方法。该方法包括数据预处理和降水云识别两个部分。数据预处理主要采用自适应Barnes插值法对雷达体扫数据进行了CAPPI(Constant Altitude P1an Position Indicator)反演,以获取雷达反射率在多个高度层的分布。Faster-RCNN模型以多个高度层的反射率数据为输入,对其中的对流云区域进行预测,针对非对流云区域,则默认为层状云。实验发现该方法与传统方法的识别结果基本一致,但该方法在运行时间上极具优势,且具有较强的自适应能力。云中水凝物相态的识别,国内外已开展了大量的研究,并取得了较好的识别结果。针对国内升级改造后的CINRAD-SA型双偏振多普勒天气雷达,利用其探测数据进行水凝物识别研究的文献资料较少。本论文参考了国内外大量文献,并结合CINRAD-SA型雷达历年的探测资料,最终选择模糊逻辑算法对水凝物进行了识别。该方法以CINRAD-SA型雷达所探测到的多个偏振参量数据为输入,依次通过模糊化、规则推断、集成以及退模糊等处理,最终得到水凝物的类型。实验发现该方法的识别结果基本合理正确,可供气象台预报员和科研工作者参考。