热带气旋是一种起源于热带或副热带洋面上的深厚且快速旋转的低压系统,它的出现总是伴随着大风和强降水,登陆期间往往会造成重大的人员伤亡和经济损失。因此,提高热带气旋预报精度对于防灾减灾工作具有十分重要的意义。热带气旋大都发生于远海,无法采用雷达和地面气象站来实时监测,因此气象卫星是目前监测、预报热带气旋的有力工具。随着卫星技术的快速发展,卫星数据的规模呈指数级增加,对热带气旋的监测和预报带来了极大挑战。近年来,随着深度学习技术的快速发展,深度学习在图像理解、大数据智能分析等方面取得了巨大的成功。本文将基于深度学习能自动从大数据中抽取出数据特征的能力,结合卫星大数据,探索研究基于深度学习的热带气旋监测与预报方法,从热带气旋的发展阶段开展了四个方面的研究,即热带气旋生成之前的热带云团预报、热带气旋生成后的中心定位、强度估计、以及路径预报。主要创新工作如下:（1）提出了基于多因子组合的热带气旋生成预报模型。卫星可以提供实时监测数据,但信息源较为单一;再分析数据能反映整个大气层的状况,给气旋生成预报提供了更丰富的历史信息,但缺乏定量分析。因此,本文在卫星红外图像基础上,融合了再分析数据中的8个预报因子,同时充分利用预报因子的空间信息,分别采用了2维和3维卷积网络来提取红外图像和再分析数据中预报因子的深度卷积特征,最后通过全连接层将学习到的深度特征进行融合,以学习融合特征与热带气旋生成概率之间的映射关系。考虑到因子的维度不同,给每个因子设置了单独的卷积分支,并探讨不同因子对准确率的影响。实验结果表明:红外图像、位势高度和相对涡度的性能要优于其他预报因子;同时我们也探讨了多个因子组合对预报性能的影响,并得出,将红外图像与位势高度、相对湿度、相对涡度、10米风速以及平均海平面气压5个因子进行组合,可以得到最佳的预报性能。（2）提出了基于Rep VGG卷积神经网络的热带气旋中心定位模型。该模型训练阶段采用两种残差结构,增加了多条梯度流动的路径,通过类似于多子网络集成的思路,增强了模型的鲁棒性;同时,推理阶段通过参数重构将所有网络层转换为3×3卷积,因此加快了定位推理速度。为了探讨不同波段对定位的影响,本文基于2015-2019年葵花-8卫星3.9、6.2、10.4、12.3和13.3微米5个波段的卫星数据,测试了Rep VGG模型的定位误差,结果表明,10.4微米的误差最小,为42.8 km。其次,为了验证Rep VGG模型的有效性,对比了Rep VGG和其他7个卷积神经网络模型在10.4微米上的性能。最后,探讨了不同波段组合的定位性能,结果表明,10.4、12.3和13.3微米波段组合的平均误差最小,为36.7 km。（3）提出了双分支卷积神经网络的热带气旋强度估计模型。为了考虑强度在时间上的连续性,引入了孪生网络的自监督思想,构建了两个对称的网络分支。模型将前后时刻的红外图像对分别作为两个分支的输入,同时得到两个时刻的强度值,并利用损失函数对其进行相似度约束,以减小两个分支强度估计值的差距。红外与水汽波段的亮温差反映了对流的存在,基于这一物理先验,在模型的每个分支中引入了水汽注意力（Water Vapor Attention,WVA）机制,来强化提取特征与强度之间的联系。另外,模型在强度回归部分没有采用全连接层直接回归的方式,而是根据热带气旋强度分类标准,先对其进行细分类,再求期望得到最后的强度值。本文探讨了不同设计部分对强度估计的影响,实验结果表明,WVA和回归方式对精度的影响是类似的,而双分支结构使得强度估计结果有更大的提升,整个测试集的均方根误差为5.13 m/s,并进一步计算和分析了降水强度与估计偏差之间的相关性。（4）提出了基于TCTF-GAN的热带气旋路径预报模型。主要思想是利用GAN网络在图像生成方面的优势,来预测未来热带气旋图像的走势和变化,从而得到路径预报。针对现有GAN模型生成的卫星图像中热带气旋云系不够清晰这一问题,采用了两阶段训练方法:先利用所有的卫星图像做预训练,以得到图像中云系的移动规律;再用包含热带气旋的图像微调预训练模型。为了进一步提升热带气旋本身的预测准确率,在微调阶段引入了局部损失,并探讨了局部损失权重对预测结果的影响。上述训练和测试过程应用于葵花-8卫星2015-2019年10.4（IR）和6.2（WV）微米图像。结果表明,WV的路径预测误差要小于IR,6小时的误差约为46 km。另外,受集合预报的启发,对不同局部损失权重和波段的预测结果做了集合平均,发现路径预测误差能明显降低,预测结果也更加稳定。