海面风场是海洋动力过程的基本参量,也是海洋数值预报的重要边界条件。海面风速是海面风场的重要组成部分,提高海面风速数据的数量和质量,能够有效增强对热带气旋的预报能力,保障海洋和沿海人类活动的安全。卫星遥感是海面风速观测的重要方法,但卫星观测通常存在数据空缺的问题。为此,研究者们相继提出了传统方法和基于机器学习的方法等类型的一系列卫星观测补全方法。然而,传统方法存在难以显著提高数据的空间覆盖率和时间分辨率的问题,而基于机器学习的方法易出现低估高风速的问题。针对第一个问题,提出了一种基于梯度提升决策树的海面风速卫星观测补全方法。该方法通过引入再分析资料作为辅助数据,并基于梯度提升决策树训练补全模型,以提高补全的空间覆盖率和时间分辨率。实验结果表明,所提出的方法能够有效改善卫星观测数据的空间覆盖率和时间分辨率,其补全精度高于再分析资料且接近真实卫星观测。针对第二个问题,提出了一种基于不平衡学习的热带气旋高风速补全方法。该方法利用设计的半不平衡算法搜索常规机器学习和不平衡学习的性能分界点,并在此基础上构建综合两者性能优势的混合补全模型,以提高在不同风速条件下的补全适应性。实验结果表明,所提出方法的均方根误差和平均误差分别低于已有的不平衡方法和常规机器学习方法,对于中低风速和高风速观测补全均取得了较好的效果,有效提高了不同风速条件下的补全适应性。