云是影响天气、气候变化的重要因子,也是目前造成气候模拟的最大不确定因素之一。云的长期准确观测,对验证和约束模式,减少云对气候变化模拟预测造成的不确定性有重要意义。毫米波云雷达通过接受云滴粒子回波信号,可以获取云的三维结构特征,是探测云的有力工具,被广泛用于地基和星载观测中,获取了有关云垂直结构、辐射作用及气候效应方面的详细资料。在实际应用中,首先需要对原始的雷达观测数据进行处理,以识别探测结果,即云检测。此外,考虑到不同类型云的辐射作用及气候效应存在差异,还需要针对特定应用场景,识别低层水云、高空冰云或深对流云等不同类型的云,以满足实际科研或业务需求。原始的雷达观测可在某种程度上被视为二维图像,而机器学习中有一细分领域,专注在算法层面使计算机能够以接近人类的方式识别和处理图像和视频,即计算机视觉。计算机视觉采用图像处理、模式识别、人工智能技术相结合,着重对一副或一系列图像进行计算分析,实现对目标物体的识别,确定目标物的位置和姿态,对三维场景做出符号描述和解释。其原理与遥感图像解译有内核上的相似性,因此,本文基于计算机视觉中的相关算法,利用地基和星载雷达观测,针对弱信号识别、低云与杂波分离、深对流系统识别等毫米波雷达云探测的实际问题,对相关算法进行了改进和应用,主要的研究内容和结论如下:（1）利用计算机视觉的双边滤波思路,改进了传统的雷达云检测算法。通过对雷达信号和噪声进行预判,首先分离强回波与噪声,继而考虑噪声的高频特性和信号的低频时空连续性,构建双边滤波器对二者分别处理,有效压缩了噪声水平,减少了噪声和信号的重叠区域,识别出更多的弱回波信号。理论分析和模拟计算均表明,该算法在压缩雷达背景噪声的同时,较好地保持了弱信号边缘的清楚完整性,准确识别出更多被以往算法忽略的真实信号。针对兰州大学半干旱气候与环境监测站（SACOL）的Ka波段云雷达（KAZR）,提出一种双边滤波噪声压缩的云检测算法,并证实云检测结果对薄卷云、冰云云顶等信号较弱的区域有明显的改进。（2）利用多维概率密度函数和贝叶斯分类器,提出了一种针对地基毫米波雷达KAZR的低云与杂波分离算法,将雷达反射率因子、线性退偏比、速度谱宽以及它们的时间、高度、季节依赖性作为贝叶斯判别因子。考虑到云信号和杂波的空间相关性差异,使用空间滤波器处理贝叶斯分类器无法判断的雷达距离库。典型个例分析表明,该算法可以分离出大部分杂波,同时仍然保留低云信号,即使在低云信号与杂波混杂的时候,仍然展示出较好的判别能力。利用一年的毫米波雷达与激光雷达观测数据,评估了该算法的识别结果,发现检出率为98.5%,误检率为0.4%,能够满足实际需要。（3）利用计算机视觉的双边滤波思路,改进了星载毫米波云雷达,即Cloud Sat上搭载的云廓线雷达的云检测算法。结合其算法本身的沿轨道平均方案,利用双边滤波思路在压缩背景噪声的同时,对信号和噪声分别进行处理。改进算法的结果相比官方R04旧版本的产品背景噪声更小,也即更少的误检率,而比官方R05新版本的数据探测到更多真实信号,即更少的误漏率。总的来说,该方法较好地平衡了误检率和误漏率,最终提高了云检测产品的准确率,尤其是在赤道辐合带和中高纬风暴路径区域。（4）利用计算机视觉中的连通区域分析方法,识别星载毫米波云雷达Cloud Sat观测图像中的云团,并根据云类型产品识别深对流系统,将其划分为对流柱、长云砧和短云砧部分,然后计算云顶浮力,判别其演化阶段,即发展阶段、成熟阶段和消亡阶段。通过合成分析展示出深对流系统在不同演化阶段的形态和微物理结构。（5）利用计算机视觉的双边滤波思路,结合霍夫变换,以雷达航迹检测为例,初步探讨了计算机视觉中的双边滤波方法在其他遥感领域上的可能应用场景。在仿真模拟的层面上,初步证实了双边滤波方法有较好的可移植性和普适性。