大气温湿廓线是用于天气预报和气候研究的重要参数。星载微波辐射计可实现对地球全天时、全天候的观测,也因此成为了目前气象领域最为重要的廓线探测手段之一。目前世界上已有多颗在轨运行的极轨气象卫星,我国的风云三系列卫星上也搭载了用于探测温湿度廓线的微波载荷,且与美国的ATMS观测亮温数据差异小、一致性强,但是目前暂无对应的反演产品,为加快我国气象卫星观测产品的应用,对微波遥感数据反演算法的研究显得尤为重要。目前的反演算法可分为统计回归和物理算法两大类。统计类算法主要包括线性回归和神经网络算法,神经网络算法因加入了激活层可用于解决非线性问题,但是对天气和数据的泛化能力较弱;一维变分算法物理含义明确,但是其反演精度易受辐射传输模型计算精度和误差协方差矩阵的影响,且反演过程计算量大、耗时长。以上两种算法在反演时只利用了一个亮温点的数据,忽略了亮温数据的空间相关性。基于以上研究背景,本文提出了卷积神经网络反演算法,利用ATMS载荷的观测亮温和WRF短期预报得到的温湿度廓线构建了反演数据集,介绍了对数据集的预处理方法,设计了适用于微波遥感数据反演的网络结构,为了使算法自适应地区分天气类型从而提高反演精度,还定义了损失函数用以增加网络对天气类型的区分能力。为探究反演算法的性能,本文针对海洋和陆地两种地表类型分别进行了温度和湿度的反演试验,同时研究了天气类型对反演结果的影响,并将结果分别与神经网络反演结果和ATMS的L2产品作了分析比较。试验结果表明,本文提出的卷积神经网络反演算法相比神经网络算法而言,反演精度更高,对数据的泛化能力更强,且整体反演精度高于ATMS的L2产品;本文用卷积神经网络算法反演的廓线精度较高,其中温度廓线误差在2K以内,相对湿度误差小于16%,从整体反演结果而言,区分天气类型提高了卷积神经网络算法的反演精度,且晴空天气廓线反演精度比多云天气更高,海洋区域廓线反演精度比陆地区域更高。