双偏振雷达作为新一代大气监测的有力工具,与传统雷达相比可以获得额外的多种偏振参量,因而被广泛应用于大气物理研究和气象灾害防治等领域。云内降水粒子的检测与分类是双偏振雷达重要应用之一,通过对不同降水类型粒子的偏振特性进行综合分析,可以提高降水分类的精度。双偏振雷达获得的偏振参量种类多且数据量较大,这对雷达系统本身的数据处理、存储、传输等各方面的能力都有较高的要求。为了降低对硬件设备的要求、节约雷达制造成本,可以通过降低采样率的方式来减小数据量,但此时又可能面临数据分辨率低、数据量不足等问题。此外,偏振参量数据容易受到雷达系统本身误差、电磁波信号衰减、非气象回波以及人为操作失误等多种因素的干扰而产生缺失和异常值,对于不同的偏振参量,其数据缺失的位置和规模也有所不同,这将对进一步的数据处理以及降水粒子分类造成较大的影响。针对上述问题,论文研究了小样本下的双偏振雷达降水粒子分类方法,主要内容包括:第一,介绍了双偏振雷达各偏振参量的定义、物理意义与计算方法,通过对不同降水粒子物理特征的研究,阐明了降水粒子微物理特性与偏振参量取值之间的联系,并根据数据统计结果分析了不同降水粒子的偏振特性,为后续对偏振参量的选取和数据处理提供了理论依据。第二,针对低采样率情况下获得的双偏振雷达偏振参量小样本数据的分类问题,提出了一种基于修正小波变换-树扩展朴素贝叶斯(Tree-Augmented Naive Bayesian,TAN)的双偏振雷达小样本降水粒子分类方法。该方法首先对双线性插值后的低分辨率数据进行小波变换,获得修正前的高分辨率低频、高频分量,并利用各级小波分量间的相似性计算修正系数矩阵。其次,利用修正系数矩阵对高分辨率小波分量进行修正,通过小波逆变换得到高分辨率偏振参量数据。再次,建立用于降水粒子分类的朴素贝叶斯网络,并根据互信息理论、利用离散化的偏振参量数据对贝叶斯网络进行结构和参数训练,得到TAN网络。最后,利用训练好的TAN网络实现对插值后数据的降水粒子分类。该方法保留了较为完整的偏振数据高频信息,并且通过训练的方式计算分类参数,与以前人总结的经验值作为分类参数的传统模糊逻辑方法相比提高了分类效果的稳定性。第三,针对存在随机缺失与异常值的双偏振雷达偏振参量小样本数据的分类问题,提出了一种基于奇异值阈值(Singular Value Thresholding,SVT)-TAN的双偏振雷达小样本降水粒子分类方法。该方法首先根据矩阵填充理论,构造偏振参量低秩矩阵填充的最优化问题,并进一步通过凸松弛使其转化为易于求解的凸优化问题。其次,在拉格朗日乘数法的基础上,通过奇异值阈值迭代的方式简化运算,获得重构后的偏振参量数据矩阵。再次,利用离散化的偏振参量数据对贝叶斯网络进行结构和参数训练,构建TAN网络。最后,利用训练得到的TAN分类网络对重构后的偏振参量数据进行降水粒子分类。该方法能以较小的误差实现对数据缺失样本的重构,并且具有良好的分类性能。