近年来,随着计算机技术的提升以及社会信息化的加速,社会各行各业对天气预报的要求也有了提高。尤其是风暴这种直接影响了人们出行、室外工作的恶劣的强对流天气,给人们的生活带来了很多的不便。除了及时准确的预报,精准实时的识别出风暴的位置也是非常有研究意义的部分。目前的风暴识别算法大多是基于雷达回波数据的传统数值方法,这些方法在识别过程中从空间雷达回波数据的各个维度进行搜索与合并,过程繁琐,并且中间过程太多容易产生多重误差的累加,严重影响了最终对风暴的识别结果。此外,传统的风暴识别方法在检测过程中只在意空间数据之间的连续性,最能反映风暴整体的梯度并没有得到重视,这容易使风暴单体的合并和筛选过程产生误差,影响最终的结果。考虑空间结构化雷达回波数据与图像数据的相似性,使用卷积神经网络(Convolution Neural Network,CNN)来进行雷达回波数据中的风暴检测。在研究了基于深度学习的目标检测模型之后,综合考虑传统风暴检测算法的不足,本文提出了基于深度学习的SD-CNN风暴检测模型(Storm Detection Based on Convolutional Neural Network,SD-CNN)。SD-CNN模型使用RPN(Region Proposal Network)子网络来提取候选风暴区域,然后使用RPC(Region Proposal Classification)子网络对候选风暴区域进行再分类,最终得到风暴检测的结果。经过实验验证,SD-CNN模型在准确度和速度上都优于传统的风暴检测模型。