强对流天气(冰雹,短时强降水等)生命史短、局地性强、破坏力大,是气象防灾减灾关注的主要问题之一。尽管对强对流天气的研究已经取得了不少成果,但是由于我国地形环境复杂,各地强对流存在明显差异,已有算法对地域的适用性较差。针对这个问题,本文在总结前人工作的基础上提出了适于地域特点的强对流天气分类识别方法,分别从传统机器学习方法和深度学习方法构建了强对流天气分类识别模型。本文的主要工作如下:(1)多普勒天气雷达是监测强对流天气的主要工具之一,从雷达数据提取大规模、高质量冰雹和短时强降水样本是本文工作的基础。改进样本提取方式,实现样本半自动提取可以将工作效率提高近10倍。首先基于语义分析对实况进行分析,从中提取出时间、地点、冰雹尺寸等关键信息,利用本文中设计的“人机交互式对流单体序列标记子系统”进行样本半自动化标记,最后形成建模数据库。(2)对C波段雷达强对流天气分类识别的建模方法进行研究。考虑地形环境的影响,提取融化距离和地形坡度作为高程特征。对C波段雷达数据进行特征可行性分析,发现高回波比,悬垂度等特征具备良好的可分性。建立了基于样本权重的支持向量机模型(W-SVM)对强对流天气进行分类识别,增加强化规则进行二次分类,通过实验测试,发现模型具有良好的分类效果,对冰雹的击中率为84.3%,临界成功指数为79.8%。(3)设计了基于卷积神经网络的强对流天气分类识别模型,避免了人工设计特征,方便根据地域特点进行建模和使用。通过对冰雹云在雷达反射率因子图上特点的分析,结合气象背景知识从构造三维单体结构,图像方向矫正和图像尺寸处理三方面对雷达数据进行了前期处理。设计了卷积神经网络的整体架构,采取一定的策略来避免网络过拟合。实验表明,基于卷积神经网络的强对流天气分类识别模型对冰雹的击中率为81.0%,临界成功指数为74.2%。