双偏振气象雷达作为一种新型的天气探测工具,能交替发射和接收水平与垂直偏振方向的电磁波,通过对回波数据进行处理,可以提取出不同降水粒子的形状、大小、空间取向及相态等信息,与传统气象雷达相比,在降水量的测量、降水粒子分类识别、灾害性天气预报等方面具有明显优势。现业务运行的双偏振气象雷达多数应用的是基于模糊逻辑的降水粒子分类方法,模糊逻辑算法存在一个很大的弊端就是其中大量的参数需要依赖专家经验值确定。同时现有的降水粒子分类方法中对于不同的降水粒子使用单一隶属度函数或者概率模型描述其分布情况,单一的模型预设会对降水粒子分类结果产生较大影响。贝叶斯网络可以从样本中获得知识,并且无需进行模型预设,是目前不确定知识表达和推理领域最有效理论模型之一,已成功地应用于机器学习、人工智能、医疗诊断、大数据分析等多个领域。因此利用贝叶斯网络研究双偏振气象雷达降水粒子分类方法具有重要的意义,本文主要内容如下:针对现行传统降水粒子分类算法存在过度依赖专家经验值和单一模型假设会带来误差等问题,提出了一种基于离散属性贝叶斯网络的双偏振气象雷达降水粒子分类算法。首先对雷达偏振参量进行离散化处理,并基于此构建训练数据集合;然后使用训练数据进行贝叶斯网络结构学习、参数学习和确定类先验概率构建贝叶斯网络分类器;最后训练好的贝叶斯网络分类器依据最大后验概率准则实现降水粒子分类。BNT直接从训练数据中获得知识完成降水粒子分类且无需进行模型预设,实验证明:分类器的泛化性、鲁棒性和可操作性有所提高。针对有标签训练数据集较难获得,而大量无标签训练数据容易获得这种情况,提出了一种基于BNT-DTSVMs协同训练的双偏振气象雷达降水粒子分类方法。实验表明:BNT-DTSVMs算法在使用一部分有标签一部分无标签训练数据集的情况下幼小的完成了降水粒子分类,并且得到了较好的降水粒子分类结果。