我国气候复杂,容易形成气象灾害进而对交通运输、财产安全、生产资料等方面造成威胁。利用气象雷达对降水粒子进行分类可以极大地减少此类威胁。与传统的气象雷达相比,双极化气象雷达不仅可以探测得到气象目标的回波强度信息,而且能够获取气象目标水平和垂直方向上的差异信息,从而对气象目标的相态、形状、空间分布等多方位信息进行掌握,这对完成降水粒子分类任务具有很大帮助。在建立降水粒子分类模型过程中,传统的降水粒子分类方法需要充分的标签信息或者依赖专家经验值。因此,在雷达数据没有标签或者只有少量标签的情况下建立降水粒子分类模型,对上述问题是需要深入研究的。在针对没有标签或者标签信息不足的待分类波段进行降水粒子分类方法研究时,迁移学习的方法可以利用其他波段珍贵的标签信息辅助建立该波段降水粒子分类的模型,这能够有效完成待分类波段无标签信息或者只有少量标签信息的情况下的降水粒子分类任务。因此,研究基于迁移学习的双极化气象雷达降水粒子分类方法对灾害预警、气象预测和飞机航路危险气象目标规避等方面具有十分重要的意义。论文针对数据无标签或者标签信息不足的问题进行迁移学习方法研究,实现了基于迁移学习的双极化雷达降水粒子准确分类,主要内容如下:首先,针对待分类波段数据量较少的情况,提出了一种基于加权支持向量机（Weighted Support Vector Machine,W-SVM）的TrAdaBoost降水粒子分类方法。首先,将待分类波段数据和标签信息丰富的其他波段数据组合起来,构造输入矩阵,并初始化训练数据的权重;接下来,结合权重系数及构造好的输入数据,训练一个W-SVM多分类器并返回一个假设模型,将训练数据通过该假设模型进行预测,根据预测类别的正确与否,分别对两个波段样本对应的权重系数进行调节并更新,不断重复该训练过程;最后,迭代完成,返回一个训练好的基于W-SVM的TrAdaBoost分类器。基于实测数据和仿真数据的实验结果表明:在已有少量待分类波段标签数据的情况下,该方法可以有效地利用其他波段的有标签数据建立待分类波段的分类模型,并得到准确的分类效果。其次,针对待分类波段数据没有标签信息这种情况,提出了一种基于平衡分布自适应（Balanced Distribution Adaptation,BDA）的降水粒子分类方法。首先,初始化模型参数,得到变换矩阵及其特征向量,将样本投影到一个再生核希尔伯特空间中,使用其他波段有标签数据训练得到一个基础分类器,并利用该分类器对待分类波段数据打上伪标签;然后,利用最大均值差异（Maximum Mean Discrepancy,MMD）方法使两部分数据之间的距离最小化;最后,通过不断迭代更新伪标签和变换矩阵直到收敛,得到最终的变换矩阵和最终的基础分类器,即基于平衡分布自适应的降水粒子分类模型。基于实测数据和仿真数据的实验结果表明:在待分类波段数据没有标签的情况下,平衡分布自适应可以借助其他波段的数据对该待分类波段降水粒子进行有效的分类,得到良好的分类结果。并且在类别分布不平衡的情况下,加权平衡分布自适应（Weighted Balanced Distribution Adaptation,W-BDA）方法对样本数较少的类别,可以有效提升其分类效果。