雷暴大风是气象领域强对流天气中的一种强灾害天气现象,它属于中小尺度气象天气,具有生成快、强度大、变化多、破坏大和防范难等特性,因此对人们的社会生活和生命安全都有较为强大的威胁性。雷暴大风的识别和预测相较于中长尺度气象天气是更具有挑战性的难题,因此国内外的专家学习对雷暴大风的识别和预测做了大量的研究。在深度学习兴起之后,使用深度学习技术对雷暴大风的识别和预测进行研究也逐渐进入了人们的视野。本文以某省2008年至2018年的雷达回波三维拼图数据构建样本集对雷暴大风识别任务进行研究。在分析深度学习目标检测算法的优缺点后,选择在检测速度上有较大优势且保持具有较高精度的YOLOv3算法作为本文的基础研究模型。本文通过引入PAN方法与模型原有的输出层结构进行结合构造输出层双金字塔结构,再根据雷暴大风影响范围的特点对其进行优化,得到效果较好的输出层结构。雷达回波三维拼图数据与普通图像不同,其具有立体空间特性,因此引入常用于视频图像或者医学影像的三维卷积方法构建新的C3D基础组件加入到主干网络中,通过该主干网络与输出层优化结构进行结合提出YOLO-S模型。然后在研究雷达回波时序上的依赖性之后,将时空特征提取结构融入到YOLO-S模型中,将融合后的模型称为ST-YOLO模型。最后将改进方法与原始模型对照,通过实验分析验证了模型的优化是有效的,与传统方法对比,提出的两个模型均有更好的效果。本文利用设计的目标检测模型,搭建了基于目标检测的雷暴大风识别系统,系统有批处理和实时两种模式,可以通过简易的配置快速进行历史样本的雷暴大风识别处理,也可以实时检测最新时次的雷达回波三维拼图数据。该系统可以为气象从业人员输出雷暴大风识别的气象产品,以提供有效的参考依据。