HY-2B散射计能够全天候、全天时对全球海洋表面风场进行观测,其风场产品被广泛应用于天气预报与气候研究。受海表面物理特性以及环境的复杂影响,用于散射计风场反演的地球物理模式函数的普适性较差,特别是在低风速或高风速情况下,反演风场的效果并不理想。为更好的利用HY-2B散射计观测数据,提高其风场产品在天气预报和自然灾害监测领域中的应用能力,论文通过对HY-2B散射计的风场产品质量进行分析,并寻找合适且有效的方法以提升HY-2B散射计的反演风场精度。使用TAO浮标和ERA5大气再分析风场数据,基于偏差均值（ME）、绝对偏差均值（MAE）、均方根误差（RMSE）等统计指标,对HY-2B散射计的L2B风场产品质量进行了检验。结果表明,在HY-2B散射计的有效风速观测范围内,L2B风场满足HY-2B散射计的业务化精度要求。其中,与TAO浮标风速的MAE和RMSE分别为0.75 m·s-1和1.02 m·s-1,风向MAE和RMSE分别为10.81°和14.86°。使用ERA5数据对L2B风场精度进行了更加细致全面的评估。结果表明,中低风速范围内,风速MAE和RMSE分别为1.07 m·s-1和1.42 m·s-1,风向MAE和RMSE分别为13.90°和19.46°;中高风速范围内,风速MAE和RMSE分别为1.44 m·s-1和1.81 m·s-1,风向MAE和RMSE分别为10.75°和14.61°。总体来看,L2B风速精度在中低风速下优于中高风速,并且随着风速的增加,对风速的过高估计逐渐转变为过低估计,而风向精度在中高风速下优于中低风速。根据L2B风场在不同风速下的精度情况,使用HY-2B散射计L2A数据和ERA5风速数据,基于BP神经网络分别建立了中低风速(4～15 m·s-1)、中高风速(15～24 m·s-1)和全风速(4～24 m·s-1)反演模型。在测试集中,中低风速模型MAE和MSE分别为0.55 m·s-1和0.67 m·s-1;中高风速模型MAE和MSE分别为0.44 m·s-1和0.41 m·s-1;全风速模型MAE和MSE分别为0.57 m·s-1和0.70 m·s-1,3种模型反演风速精度均优于L2B风速,且具有良好的泛化能力。将训练好的神经网络模型应用于对台风‘美莎克’和‘海神’的反演中,结果表明,3种神经网络模型均提高了对台风风速的反演效果,特别是将中低风速模型和中高风速模型分开使用时,中高风速模型可以更加有针对性的对台风中心附近的高风速进行反演,从而提高风速的反演精度,较好的修正了L2B风速在台风中心区域附近对风速的过高估计。从风场在空间上的连续性特征出发,采用场到场方式,建立了基于神经网络的风向反演模型。神经网络使用L2A数据、BP神经网络的输出风速以及作为真实参考风向的ERA5风向进行训练。训练和测试结果表明,该模型能够很好的对4～24m·s-1风速下的风向进行拟合,并且具有良好的泛化能力,其风向反演精度优于L2B风向。在测试集中,模型风向与ERA5风向的MAE为0.090 rad（5.16°）,MSE为0.065 rad（3.73°）。最后,使用训练好的风向反演模型对南半球某一反气旋进行反演,以检验模型在风向变化较大时的反演能力。结果表明,与L2B风向相比,模型风向与ERA5风向之间的偏差明显下降,验证了该模型对气旋或反气旋的反演能力。在风速反演中,通过划分风速区间的方式对风速进行反演,减少了各风速区间下不同环境因素的相互影响;而在风向反演中,采用场到场的风向反演策略,同时对特定范围内的风场同时进行输出。通过以上反演方式,建立了基于神经网络的风速、风向反演模型,有效提高了HY-2B散射计的风场反演精度与效率。