随着卫星技术在气象部门得到越来越广泛的应用,卫星云组织模式图像越来越多地应用于气象的分析与预测领域,有效地提高了气象预测的时效性和准确性。现阶段基于卫星云组织模式图像进行气象预测主要依靠专业气象人员研判云图资料来实现,如何实现卫星图像云组织模式的自动准确分割与识别成为气象以及人工智能领域的研究热点。本文重点研究基于深度学习的卫星图像云组织模式的分割与识别算法,探索有效的分割与识别策略。深度学习算法在大量样本的支撑下,使用深度神经网络模型从云组织模式图像中提取特征,根据提取到的特征生成分割掩膜并判断其类别。目前基于深度学习的卫星图像云组织模式的分割与识别算法仍处于探索阶段,如何实现对云组织模式的自动准确分割是气象领域和人工智能领域的一个研究热点。本文首先对云组织模式数据集进行预处理,并应用伪标签技术增加样本数量和多样性。然后将UNet系列算法应用于卫星图像云组织模式的分割与识别任务,通过实验分析了 UNet系列算法并选取UNet对卫星图像中的云组织模式进行分割与识别。为了提高UNet的特征提取能力,在UNet的编码器中采用EfficientNet结构;为了加强对模型训练的监督,在UNet中引入识别监督模块,并将自监督注意力机制引入到识别监督模块;为了提高解码器对不同尺度特征的筛选与融合能力,对UNet的解码器进行堆叠、剪枝、建立直接连接等操作。设计的模型提高了对卫星图像云组织模式的分割与识别性能。由于训练单模型所使用的数据是固定的,因此单模型的分割与识别性能具有一定的局限性。为了进一步提高分割与识别效果,本文设计和实现模型集成的策略,应用交叉验证技术和Bagging模型集成方法,将多个使用不同方法或在不同数据集上训练获得的模型进行集成,充分发挥每个模型在某些数据上的分割与识别性能。在测试时采用测试时增广技术,在后处理阶段使用膨胀与腐蚀技术对掩膜进行处理并对分割掩膜进行修剪和筛选,进一步提高分割与识别效果。将量化云组织模式分割与识别精度的Dice分数由0.6419提高到了 0.6796。