CINRAD天气雷达回波的反射率数据并不总是由降水物质产生的,有可能是由生物引起的,比如昆虫,鸟或者被风吹起的颗粒,也可能是异常传播（AP）或者地物杂波（GC）引起的。虽然气象员可以识别出这些污染,并解释它们的成因,但还是迫切需要一种自动识别算法,以便进行实时地定量处理,并与后续的业务结合。支持向量机（SVM）方法是近年来倍受关注的一种新的计算机学习方法,该方法基于统计学习理论,能够较好的解决小样本学习问题。目前,SVM已成为机器学习领域新的研究热点,但国内关于支持向量机在气象业务方面的应用研究刚刚起步。因此研究支持向量机方法在雷达回波质量控制方面的应用具有重要的意义。本文结合模糊理论,对于支持向量机方法在天气雷达回波质量控制方面的应用进行了探索和尝试。本文将普通图像矩阵转换至模糊特征平面进行讨论,符合雷达回波图像的模糊特性,通过引入带角度参数的邻域的概念并定义其上的模糊算子,提出一种新的模糊特征量:基于带角度参数邻域的矩阵模糊偏差度（ST值）。该特征与Kessinger于2003年提出的TDBZ特征相比,可以更为准确的刻画雷达回波的水平纹理特征,且计算量相当。同时,针对常规支持向量机方法中对噪声敏感的问题,提出一种基于局部紧密度的模糊支持向量机方法。通过计算样本的邻域中所包含本类样本点的多少来确定样本的隶属度,有效克服了基于样本与类心间距离的隶属度函数的不足,提高了分类能力。在以上工作的基础上,建立一种基于模糊支持向量机方法的天气雷达反射率基数据质量控制算法。本文使用上述算法对长沙多普勒天气雷达在不同年份、不同季节、不同降水过程的多个观测数据进行了计算,并与Kessinger（03’）、ZhangJian（04’）以及Lakshmanan（05’）的算法进行了对比分析。结果表明该方法的分类准确性优于以上算法,特别是在降水、非降水回波同时存在时。算法的计算量低于Lakshmanan（05’）方法的计算量,而与Kessinger（03’）方法的计算量相当。