雷达回波产品是开展天气监测、预报、服务的基础和重要支撑。目前,对反射率因子的分析是雷达回波产品的主要应用之一。利用雷达反射率因子能够及时准确地监测分析灾害天气的发展演变;将反射率因子同化到数值预报模式中,能够提高模式的预报效果。然而现阶段,由于回波衰减、地形阻挡以及雷达覆盖不完整等因素的影响,部分雷达反射率因子数据缺失,可参考性降低。获取完善准确的雷达反射率因子数据对于提高灾害天气的监测预测能力有着重要意义。传统方法或机器学习方法在雷达数据重建中存在一定的局限性,为此,本文基于深度学习的方法,利用葵花8卫星多通道的红外亮温数据,研究雷达组合反射率因子的重建问题,并进行进一步的优化和评估。主要内容和结论如下:（1）针对雷达组合反射率因子重建任务,构建了一个卫星雷达数据集。该数据集样本覆盖固定大小的不同地理区域,包含多个卫星红外通道和通道差数据,并且以地面雷达组合反射率数据为标签。训练过程表明:该数据集样本的尺寸和数量能够满足深度学习模型训练效率的需求,并且能够避免过拟合问题的出现。（2）以U-Net卷积神经网络为基础,对其各部分的网络结构进行多种组合,构建了4种不同的实验模型,并基于卫星雷达数据集展开雷达组合反射率因子的重建研究。4个实验模型重建结果的对比分析表明:包含双层卷积、跳跃连接和双线性插值上采样网络结构的实验模型取得了最好的重建结果,U-Net模型中这三部分网络结构对雷达反射率特征信息的提取、融合和恢复至关重要,U-Net模型适用于雷达组合反射率的重建任务。对最优模型的进一步评估表明:U-Net模型对强回波的重建性能存在继续优化的空间。（3）针对U-Net深度学习模型对强雷达回波重建性能需要继续加强的问题,从输入特征、模型训练和模型结构三个方面提出了三种优化策略:在输入特征中加入不同的卫星通道差组合,在训练过程中使用加权MSE损失函数,在U-Net模型中加入卷积块注意力机制。对优化模型的整体评估表明:三种优化策略能够有效增强模型对强回波特征信息的拟合能力,使得模型具备更强的非线性重建能力,优化模型对雷达组合反射率的整体重建效果较好。