星载微波辐射计能够在对地观测中获得多频段的波谱特征信息,对气象参数的反演具有重要作用,但是由于卫星载荷设计中对天线尺寸的限制、系统噪声和扫描过程中地球曲率等退化因子的影响,使得微波辐射计接收到的数据质量受到不同程度的影响。本文以风云三号搭载的微波成像仪观测数据为背景,针对微波辐射计成像过程中天线方向图、系统噪声和地球曲率等复杂的退化因素对观测亮温图像产生退化影响,提出了一种基于深度学习的方法对辐射计数据进行图像复原。微波辐射计在成像的过程中,由于卫星载荷设计的影响,天线口径不能够设计的过大。因此有限的天线尺寸就会带来低通滤波效应产生衍射模糊,图像质量受到影响,同时系统噪声和地球曲率也会对图像质量造成的影响。传统的维纳滤波反卷积方法先在傅里叶域建立一个数字滤波器消除衍射模糊,再对其他退化因子进行分步处理,这样不仅对重构精度难以保证,图像复原模型的复杂度也会提升。本文首次提出了一种基于深度学习的通用框架用于解决微波辐射计成像过程中多种退化因子导致的图像退化问题,此方法将图像复原问题定义为空间域的回归问题,通过数据驱动的思想和多次特征空间变换来获得更高的重构精度。在对深度学习模型训练之前,提出了一种灵活的样本集制作方法,利用微波辐射计多频段的特点,将具有高分辨率的数据作为样本集中的模拟视在温度,通过建立好的图像退化模型能够获得大量的样本数据。实验结果表明,训练好的模型无论是在定量的评价指标上还是在主观的视觉效果上都取得了很好的效果。对于微波辐射计扫描过程中非过采样造成的图像退化问题,通过上述的基于深度学习的图像复原框架,采用了32层的深度残差网络实现对非过采样数据进行超分辨处理,实验结果表明是深度残差网络能够比一般的深度卷积神经网络获得更好的重构精度和效果。图像复原技术能够有效的改善微波辐射计亮温图像的质量,在后续亮温图像数据的使用时能够提供高质量的亮温数据。这对土壤湿度、海面温度、降水、大气水汽含量、冰雪厚度等气象物理参数的精确反演有重要意义。