冰雹的发生对工农业生产、军事航天有着巨大的迫害,目前主要通过雷达等实现降雹的有效预测,但实际降雹情况与雷达预测统计应对性不强。另外,对于降雹预测准确性及降雹量级的估计主要依靠传统的人工监测,不仅耗时耗力,且缺乏智能性和及时性。因此,本课题针对目前降雹监测技术中的不足,提出从“声学”角度出发,以降雹声信号为对象对冰雹进行分类识别研究。本课题重点研究降雹声信号降噪、盲源分离、特征提取和分类识别技术。（1）对采集的待测声信号进行降噪、盲源分离等预处理,提取出纯净的降雹声信号。采用小波软阈值降噪法,对比分析不同小波基函数和不同分解层数时的降噪效果,选择最合适的小波基函数和小波分解层数用于降雹声信号的降噪。采用Fast ICA算法对声信号进行盲源分离,得到独立的降雹声信号数据。接着,对独立的声信号进行端点检测等预处理。（2）如何正确识别降雹声信号是本文研究的关键问题,在对声信号预处理之后,首先对独立的降雹声信号进行时域、频域以及小波包能量谱特征的提取。接着,分别将模糊聚类算法和广义回归神经网络用于降雹声信号的识别。使用马氏距离代替欧式距离,并引入K-means++选择初始中心点的方法,创新性地将基于马氏距离模糊聚类（Fuzzy c-means algorithm based on mahala-nobis distance,M-FCM）与K-means++相结合,对MFCM算法进行了改进,识别率达到94.26%。另外,针对时、频特征比较单一的问题,结合声信号时、频域的特点,采用时域、频域和小波域相结合的特征提取方法,将熵值法与广义回归神经网络（Generalized regression neural network,GRNN）相结合,提出一种基于熵值法特征筛选的GRNN降雹识别方法,使得降雹识别的准确率得到提高,高达97.82%。（3）在基于降雹声信号识别的基础上,提取不同量级的降雹声信号的梅尔倒谱系数（Mel Frequency Cepstrum Coefficient,MFCC）及其差分参数,组成特征向量输入GRNN训练学习,实现对降雹量级的估计,其分类准确率达到84%。