热带气旋（Tropical Cyclone）是发生在热带或亚热带地区洋面上的一种涡旋结构,可以带来强烈的降水与狂风,危及沿海地区的安全。强度的准确估计是对热带气旋预报和灾害预警的关键。利用卫星微波观测数据可以获取更多的热带气旋内部信息。热带气旋强度估计的传统方法模型较简单,学习的特征过于单一,估计准确度较低。近年来,机器学习在分析大量复杂数据的相关性中表现优越,将其应用在基于热带气旋卫星微波观测数据的强度估计中,理论上可以学习到更多的特征,提升估计准确度。本文结合美国Suomi NPP和NOAA-20两颗气象卫星上的先进技术微波探测仪（Advanced Technology Microwave Sounder,ATMS）的L1级观测亮温数据产品和L2级大气参数数据产品,提取热带气旋暖核与云雨特征这两种与强度高度相关的参数,构建训练数据库,分别实现了强度估计的随机森林（Random Forest）和卷积神经网络（Convolutional Neural Networks,CNN）两种机器学习模型,并开展了验证实验。随机森林模型采用以气旋暖核为圆心的同心圆环对数据分级的方法提取了丰富的云雨特征,验证实验得到估计的中心海平面气压的均方根误差（RMSE）为8.04h Pa,与仅使用暖核数据训练相比降低了16.3%,与传统统计回归法相比降低了27.6%。以随机森林添加云雨特征对模型准确度提升的结果为基础,CNN模型设计了具有学习数据多种特征能力的分支-旁路网络结构。以残差网络（Res Net）为主体,在主网络学习热带气旋暖核特征的同时,将云雨特征通过副分支导入到学习过程。验证实验得到估计的RMSE为6.89h Pa,与仅使用暖核数据训练相比降低了26.9%,与传统统计回归法相比降低了37.9%。最后利用集成学习的思想,对热带气旋进行先分类后定强。验证实验得到估计的RMSE为6.37h Pa,进一步提升了准确度。实验结果表明,使用热带气旋暖核和云雨特征作为训练数据进行强度估计,准确度要高于仅使用暖核数据,本文建立的两种机器学习模型对强度估计的准确度均高于传统的统计回归模型。