热带气旋，又称作台风，是一种破坏力极强的自然灾害，对中国沿海地区造成巨大的灾难，对生命和财产安全产生严重的威胁。因此，精确地估计台风强度对于及时应对台风和制定防范措施有重要的意义。现如今台风的检测主要依赖于卫星遥感数据，中国发射的风云4号（FY-4）气象卫星可以采集高质量的多光谱云图，全面地反映台风的形态，而这类图像在台风定强领域还没有得到广泛研究。尽管基于卫星云图的台风定强算法已经取得了不错的成效，但大部分方法仍然基于主观和复杂的特征提取方法，泛化能力不强。针对上述问题，本文对深度学习方法进行改进，从FY-4多光谱图像中检测台风风速，并进行了实验研究。
　　本文对FY-4卫星采集的多光谱图像进行深入的研究，设计了一套完整的图像预处理流程，得到可以用于模型优化和性能评估的样本集。该流程包括图像剪裁、图像标注、图像增强和数据集划分等。通过上述方法，对现有的数据进行处理，得到了适合用于深度学习模型的训练、验证和测试集，并用于本文提出的台风定强模型。此外，该方法还解决了图像数量较少、各波段数值范围过大和不一致等问题，不但有利于模型参数的训练，还能够提升模型的泛化能力。
　　本文针对FY-4多光谱图像在台风定强方面的问题，提出了基于卷积神经网络的集成定强模型。通过对FY-4多光谱图像和深度学习的深入研究，设计了包括无效波段检测、分波段卷积神经网络、Bagging集成决策融合机制和交替优化算法等模块在内的台风定强模型。该模型能够充分挖掘各波段蕴含的台风结构信息，解决了波段信息损失问题。实验表明，该模型不但能够较为精确的估计台风风速，还拥有较高的估计稳定性。
　　本文针对深度学习在台风定强方面的问题，提出了基于张量网络的分步定强模型。对深度学习和张量分解方法做了深度的调研，分析了传统端对端深度网络的弊端，提出了分步定强模型：通过张量网络进行台风等级分类，通过风速回归网络估计台风强度。该模型能充分提取图像的空间和光谱间的低秩特征，解决图像数量在风速上的不均衡问题。实验结果表明，该模型的定强和分类性能不但优于其他方法，还能在不同类别的台风上都取得较好的效果。