台风为广大沿海地区带来了充足的雨水,它是与人类生产生活密切相关的降雨系统。但是,台风是世界上最严重的自然灾害之一,具有突发性强、破坏力大的特点,它产生的强风、暴雨和风暴潮也总是带来各种破坏。每年全球会形成大约90个台风,对台风的及时检测和跟踪是对受影响地区进行预警的重要手段。准确自动检测台风风眼位置可为台风预报与监测研究提供先验信息,以预防和减轻灾害损失。台风中心定位工作在台风强度分析和台风路径预测中起着重要作用。传统的台风中心定位算法大多依赖于数字图像处理和数学形态学运算以及手工制作的特征,因此对各种台风的泛化能力有限。同时由于台风形态结构的多变性,其中心的自动定位仍存在一定的困难。而近年来,深度学习在计算机视觉的许多方面都取得了长足的进步。基于深度学习的模型可以学习多个层次的语义和特征,有助于识别台风图像。但不同台风的风眼尺度差异较大,即使是同一台风,在形成到消亡过程中风眼尺度变化也较大。台风在云图上的表现具有确切的信息及空间结构,由于云系间缝隙和空洞在灰度图片中的特征与风眼类似导致样本背景十分复杂。目前目标检测相关的深度学习方法在识别台风风眼过程中存在提取特征不足和检测目标冗余的问题,从而会造成台风中心定位产生较大误差。因此,利用台风卫星云图,提出一种基于多尺度镶嵌的Mask R-CNN台风风眼分割及定位方法,具体研究内容包括:（1）收集日本气象厅发布的1981-2017年5000多张台风卫星云图,利用图像数据中风眼眼壁轮廓曲线及内外明暗差别清晰明显的特点对图中风眼进行分割标注。通过台风风眼半径多尺度估算算法将原始图像划分为大中小多尺度台风云图,利用本文提出的MultiScaleMosaic图像镶嵌方法生成训练集和测试集。其中MultiScaleMosaic多尺度镶嵌数据增强方法在以往的混合变换数据增强技术的基础上改进了图像与标注的拼接方式和融合标准。在多尺度镶嵌中,首先利用卫星云图风眼轮廓标注中的圆心和圆上一点的坐标信息计算出每张台风云图风眼半径的像素值大小,同时根据半径大小的不同将它们分为大中小三种尺寸的台风数据。接着每次从数据集中挑选四张卫星云图通过50%缩小、随机旋转、随机排布组合成一张新的128×128像素图片,通过这种方式完成数据增强。（2）借助超参数选择和多条件测试分析构建了多尺度Mask R-CNN模型检测分割台风风眼的总体算法框架,开展了多尺度对比实验。尺度镶嵌对比实验将大中、大小、中小和大中小风眼构成的四组多尺度镶嵌数据送入Mask R-CNN模型进行三次训练,得到结果后在测试集上验证MPA（Mean Pixel Accuracy,平均像素精度）、MSE（Mean Square Error,均方误差）、MIo U（Mean Intersection over Union,平均交并比）和FPS（Frames Per Second,检测速度）。经过各项评价指标对比后确定大+中的镶嵌组合对模型性能提升明显。之后,对这种尺度组合镶嵌的Mask RCNN算法在大中小三种不同尺度的测试数据分别计算了改进MultiScaleMosaic前后的MIo U和MPA。试验结果表明,通过大+中两种尺度风眼图像的缩小组合使得模型对中小尺度风眼的特征学习和分割鉴别能力得到加强。（3）开展数据增强对比实验,将Cutout、Cut Mix和Mosaic三种使用广泛的主流数据增强方法分别与Mask R-CNN相结合进行训练。结果表明MultiScaleMosaic在边界框均方误差、平均交并比和平均像素精度这三个评价指标上取得了所有实验中最好的结果,且模型loss收敛更快,可见多尺度镶嵌的方法在一定程度上提升了网络的学习效率。数据增强对比实验表明,MultiScaleMosaic加持的Mask R-CNN网络在自建台风卫星云图数据集上执行风眼识别分割任务具有可行性和优越性。（4）为了验证本文模型对于台风中心定位的可行性,分别进行三组实验对Faster R-CNN、YOLOv3和本文结合MultiScaleMosaic的Mask R-CNN三个模型进行比较。实验利用在相同训练集上训练至收敛的三种模型对相同测试集进行检测分割,通过计算图形几何中心的方法输出台风中心的定位结果,将这些自动定位结果与日本国立情报学研究所给出的台风中心经纬度信息进行比较得出精度误差。数据显示整体检测模型在台风中心定位中的经纬度平均误差均有减小,综合效率优于其他深度学习定位方法。最终在实际的两次台风过程“海神”和“环高”中进行了精度验证,能够为台风中心定位提供重要的业务支撑。