雷暴云团发展速度快、变化多，特征复杂，难以被充分描述；且目前雷暴区域判别方法以单一特征的阈值法为主，特征描述不充分、判别方法消耗大且精度不高。针对上述问题，为精确挖掘雷暴区域特征表征情况，设计更具合理性、高效性的雷暴判别方法，本文从雷暴区域的图像特征和非图像特征两个角度入手，设计了一套基于特征融合的雷暴区域判别方案。该方案通过融合雷暴区域红外通道亮温特征、通道间亮温差特征和图像深层卷积特征，结合多核支持向量机，利用多核学习思想充分学习雷暴区域的特征，实现对雷暴区域的判别。主要工作和创新点如下：
　　(1)挖掘并分析了雷暴区域的非图像特征，提出了基于红外亮温和通道间亮温差的雷暴区域判别算法。针对亮温数据分布密集，无关亮温数据冗余的问题，采用亮温直方图均衡化、典型亮温提取和梯度提取的方法优化亮温数据。在此基础上，将优化后的亮温、亮温差与支持向量机相结合生成雷暴区域判别算法。实验结果表明，该方法相比于传统亮温阈值判别法，避免手动设置阈值的同时提高了判别精度。
　　(2)挖掘并分析了雷暴区域的图像特征，提出了基于卷积神经网络的雷暴区域判别算法。首先使用纹理和边缘特征来描述与分析雷暴区域的浅层图像特征；其次，构建了卷积神经网络框架提取雷暴区域图像的深层卷积特征，同时构建并标注了雷暴图像数据集用于网络训练与测试。实验结果表明，卷积神经网络能够充分提取雷暴区域的深层图像特征，判别精度达到85%。
　　(3)探究雷暴区域图像特征与非图像特征融合的方法，提出了基于融合特征的雷暴区域判别算法。融合雷暴区域图像特征（深层卷积特征）和非图像特征（亮温特征、亮温差特征），增加样本特征多样性。在此基础上，将融合后的特征与多核支持向量机相结合，给新特征分配不同的核函数，针对性的学习局部特征。实验结果表明，该方案能较好的融合雷暴区域特征，与单一特征雷暴区域判别方法相比准确率有较大提升，精度达到95%。