海面风场是指某个特定区域单位时间内海洋表面的局地风速、风向等相关因素指标的分布状况。海面风场的变化直接影响着海洋航运、海洋工程建设以及海洋捕捞与养殖等海事活动的正常进行,因此准确地监测和分析海面风场对于海洋学和气象学的研究具有非常重要的意义。传统的海面风场监测主要是通过浮标、船舶、自动气象监测仪器等进行监测,然而这些传统监测方法具有仪器耗费高、分布稀疏导致的观测资料时空分布不均匀等缺点。随着遥感和计算机技术的快速发展,使用卫星遥感技术对海面风场进行反演成为了海面风场的主要监测方法,该方法具有覆盖面积广、监测精准同步和全天候观测等优点,能有效解决海上常规海面风场资料匮乏的问题。当前海面风场的卫星反演结果通常以图像的形式来呈现,但是在对海面风场图像进行重构的过程中,我们发现海洋表面频繁发生的降水过程会对图像重构产生非常大的影响,因此本文探究如何高质量地对海面风场图像进行重构,使得受到降水影响的图像区域能够被准确的还原。传统的图像重构方法主要是以不同的插值方法和整体变分方法为主,然而这些方法容易忽略图像中的局部差异性,使得图像重构后的输出结果出现精度不高、误差较大和自动化程度低等的问题。随着深度学习方法的提出,利用卷积神经网络方法强大的图像特征提取能力来进行图像重构,是目前该领域的主流方法。特别地,我们注意到,U-Net卷积神经网络特有的U形结构,能结合下采样各层信息和上采样的输入信息来还原图像的细节,提高图像重构的精度。因此,本文提出了一种基于U-Net卷积神经网络的海面风场图像重构方法,将部分卷积的思想融合在图像的编码和解码过程中,有效提取了海面风场图像中不规则形状缺失区域重构的语义特征信息,提高了海面风场图像重构的精度。为了验证本文提出的基于U-Net卷积神经网络的海面风场图像重构方法的有效性,首先,本文收集了一个范围在东经96°-75.127°,北纬16°-47.75°经纬度网格下的海面风场图像数据集（共10464张）,并对该图像数据集进行数据预处理,包括:数据清洗筛选、经纬度网格划分和数据变换等。接着,在此数据集上,将本文提出的基于U-Net卷积神经网络的海面风场图像重构方法与固定值替换、线性插值和整体变分等传统方法进行了对照,实验结果表明,本文提出的方法在均方根误差、峰值信噪比和结构相似性等图像重构方法的评价指标上明显优于其他传统方法。进一步,我们也给出了海面风场图像重构的可视化结果,同样可以发现相比其他多种图像重构的传统方法,本文提出的方法具有更好的图像重构效果,结果更优。