热带气旋（飓风）是全球发生频率最高、危害最为严重的自然灾害之一,及时把握其中心位置、强度、结构等信息,对于热带气旋天气的预报以及灾害防御管理工作具有重要意义。随着人工智能的发展,深度学习的各类方法在解决非线性问题、图像识别等方面显示出了较强的能力,但目前这些方法在飓风强度估算上的应用研究仍然较少。此外,当前制约飓风强度估算精度的主要原因是缺乏真实的观测资料,而在大西洋有丰富的飞机观测资料可以用于检验。故本研究拟在大西洋开展基于高时空分辨率的静止卫星红外观测资料的飓风强度估算方法的研究,拟探讨深度学习方法在飓风强度估算中的潜力,为预报员了解实况提供参考。具体研究内容和主要结论如下:首先,从卫星红外亮温数据中提取以飓风中心为圆心,1.25°半径范围内的37个特征因子,结合逐步回归方法建立模型。共入选18个因子,通过对流云的大小、位置分布以及整个云系的平整程度来反映飓风强度。根据不同等级的误差分布,对强度估算式进行线性修正,最终的估算结果与最佳路径资料的均方根误差为13.16 kt,与飞机观测资料的均方根误差为15.87 kt。然后,在建立深度神经网络模型时,将自动提取的特征与人为定义特征进行结合,即先对飓风图像进行二分类（以64 kt为分界线对风速进行分级）,再分别进行强度估算。在测试样本上的分类精度达到94.2%,基于该分类结果的估算强度与最佳路径资料的均方根误差为12.64 kt,与飞机观测资料的均方根误差为14.63 kt,比线性方法的精度提高了4%-7.8%。最后,开展利用卷积神经网络方法对飓风云图进行自动特征提取并估算强度的研究。将8°×8°大小的图像作为最佳输入,经过卷积和池化等操作后得到最佳模型,同时引入18 h的时间平滑,其估算结果与最佳路径资料的均方根误差为10.59 kt,与飞机观测资料的均方根误差为11.35 kt,比前两种方法的精度提高了16.2%-22.4%。同时,这一方法的精度（10.59 kt）比ADT（Advanced Dvorak Technique）的精度高出9.3%,并且优于其他方法在大西洋的飓风强度估算结果。综上所述,结合人为定义特征因子的逐步回归方法和深度神经网络方法可以对飓风强度进行有效估算,说明人为定义的特征因子对飓风强度有明显的影响。但深度神经网络方法的估算精度高于逐步回归方法的估算精度,说明在飓风强度估算中,非线性方法优于线性方法。此外,卷积神经网络方法的精度比深度神经网络的精度更高,这可能是由于自动提取的特征因子比人为定义的特征因子更加全面,体现了图像识别方法在飓风强度估算中的优势。