星载红外高光谱垂直探测仪GIIRS（Geostationary Interferometric Infrared Sounder）能够实现大气温度和湿度参数高垂直分辨率的观测,为数值天气预报提供精度更高的初始场。本文基于FY-4A GIIRS观测用深度机器学习算法分别实现了全天候一维大气温、湿度廓线反演和三维大气温、湿度廓线反演,挖掘和分析了机器学习算法在大气参数反演上的能力。基于GIIRS观测辐射值采用BP（Back Propagation Neural Network）神经网络法和深度学习的CNN（Convolutional Neural Network）卷积神经网络法实现大气温度、湿度廓线的一维（垂直维）反演,关键在于CNN法网络模型的构建与关键参数的优化。将训练样本根据不同地表类型和是否有云的影响分为三种方案（方案一:不分类;方案二:陆地/洋面分类;方案三:晴空/有云分类）,分别进行建模、反演和检验。训练测试样本检验表明两种反演算法都有较好的反演精度,相对而言CNN法在所有高度层上反演偏差、均方根误差和平均相对误差均较小,反演精度更高。CNN法温度反演在高层10-200 h Pa改进较大,三种分类方案改进的最大值分别为1.15 K、1.06 K、1.02 K;湿度反演在对流层低层500-1000 h Pa改进较大,三种分类方案分别平均改进了0.43 g/kg、0.41g/kg、0.34 g/kg。BP神经网络法方案三时温度和水汽混合比廓线反演精度最好;CNN算法则方案一时反演精度最高。将CNN法应用于GIIRS实况观测资料反演时反演精度较差。对于三维大气温度、湿度廓线反演,基于GIIRS观测和时间、空间匹配的ECWMF（European Centre for Medium-Range Weather Forecasts）温度、湿度再分析场采用U-NET卷积神经网络法实现,重点在于二维图片样本大小的选择和模型的构建。将输入图片大小分为32 × 32的分割小区域样本（U-NET1）和160 × 160的连续大区域样本（U-NET2）,分别构建两种U-NET网络模型。选取2021年02月中国区域GIIRS实况观测资料,将两种算法的反演结果分别与ERA5再分析资料场、Level 2业务产品和无线电探空观测进行了比较。两种算法反演得到的三维温度场和湿度场无论在形态分布还是量级上与ERA5再分析场都比较接近,并且温度场的反演比Level 2业务产品更接近ERA5温度场,尤其是U-NET2算法。无论是温度反演还是水汽反演,连续大区域U-NET2算法反演得到的温、湿度场在水平空间上均更加连续,与ERA5分析场更加接近。全天候条件下,与无线电探空观测相比两种U-NET算法在整个大气垂直高度层上均有着较好的表现,温度反演均方根误差几乎在所有高度层均低于Level 2级产品;湿度反演均方根误差均在2 g/kg之内,并且随着高度的升高而减小,而业务的Level 2级没有湿度产品。晴空条件下,则是Level 2业务温度产品的精度最高,两种U-NET算法的温度反演在对流层高层误差较小,而其湿度反演在所有高度层精度都较高,均方根误差均在2 g/kg之内。不论全天候条件还是晴空条件下,三种深度机器学习算法中U-NET2算法的反演精度最高,两种U-NET算法与CNN算法相比在所有高度层上温度和湿度反演均有很大程度的改进,700 h Pa以上温度均方根误差提高了约2.5 K,700-1000 h Pa对流层低层提高了约3 K,在600-1000 h Pa湿度提高了约1.5 g/kg。