台风与人类社会生产、生活具有千丝万缕的关系,它作为一种降雨系统,能够提供充沛的雨水以供人类使用。但是,台风具有惊人的破坏性,易造成巨大的财产损失,且作为自然灾害,它的突发性也很强。能量蕴藏巨大的台风,能够使得产生的风速达到17m/s以上,更甚有60m/s的飓风风速。而海面上台风相对地面上更显凶恶,巨大的威力能够产生数十米的巨浪,时刻威胁到海上作业、捕捞、养殖、勘探、采油等作业人员的生命安全。因此,实现简单、快速、准确的进行海面风速测量是我们亟不可待的任务。气旋全球导航卫星系统（CYGNSS）研究海洋表面特性以推进预测和跟踪热带气旋,改进对极端天气的预报。CYGNSS卫星可以接收地球表面反射的全球导航卫星系统（GNSS）信号,利用这些反射信号可以对地球表面特征进行反演。其中CYGNSS的L1级星载数据可以对海面风速进行反演。利用欧洲中期天气预报中心（ECMWF）以及美国国家环境预报中心（NCEP）的10米高参考海面风速（10）风速数据作为真实风速,将处理后的CYGNSS的星载数据映射到真实风速。为了改进台风天气的海面风速反演精度,提出两种风速反演得的方法,即利用时延-多普勒功率谱（DDM）建立地球物理模型函数（GMF）和机器学习方法,建立海面高风速反演模型。使用台风期间数据进行风速反演,最终验证了两种星载CYGNSS海面高风速反演方法的可行性,从而弥补了利用CYGNSS数据进行大于20m/s的海面风速反演的研究空白。本文的主要研究内容如下:1)针对本文提出方法的构思,介绍了目前全球卫星导航系统反射测量（GNSS-R）海面风速反演研究的国内外现状,为实验提供了理论依据。2)使用DDM相关信息,通过提取CYGNSS卫星L1级数据中的归一化双基地雷达散射截面（NBRCS）与风速数据进行匹配从而建立GMF风速反演模型。特别是研究在0-70m/s风速区间的台风海况下,建立不同的GMF模型,包括未进行样本量控制的普通GMF模型以及随机抽取样本以对各风速区间进行样本量控制之后建立的高风速GMF模型。高风速GMF模型的性能均优于普通GMF模型,偏差（BIAS）提高了96.97%,均方根误差（RMSE）提高了46.17%,平均绝对误差（MAE）提高了49.74%,平均绝对误差的标准偏差（STD）提高了38.52%,验证了高风速GMF模型更适用于台风天气的风速反演。3)使用机器学习方法的支持向量回归（SVR）、基于主成分分析的支持向量回归（PCA-SVR）、卷积神经网络（CNN）三种模型对风速20m/s以上的CYGNSS数据进行风速反演。由于各风速区间样本量不均衡会导致训练模型出现偏差,因此通过欠采样法随机抽取样本以控制每个风速区间样本量,确保训练模型的泛化性。从总体上看,CNN模型反演海面高风速效果最好,PCA-SVR次之,SVR最差。CNN的MAE为2.71 m/s,RMSE为3.8m/s,与SVR模型相比,MAE提高了33.90%,RMSE提高了30.66%。