热带气旋（Tropical Cyclone,TC）是发生在热带亚热带地区洋面上的一种暖心气旋式涡旋,是一种强大而深厚的热带灾害性天气系统。热带气旋强度被定义为热带气旋近中心附近最大持续风,准确估算热带气旋强度是热带气旋预报和灾害预警的关键。德沃夏克技术（Dvorak）被广泛应用于热带气旋定强,深度学习在热带气旋强度估计也表现出了与Dvorak相当的水平。除了Dvorak技术及改进版本仍然存在热带气旋特征提取主观经验性高,误差表达不一致、预处理复杂和各大洋盆地适用性不高等一系列问题外,深度学习强度估计方法也存在着精度优势不显著、多通道卫星观测空间信息利用不足和可解释性低等问题。本文将联合使用多通道卫星观测资料和深度学习技术改善热带气旋定强存在的问题。为此,本文利用热带气旋强度估计数据集,基于卷积神经网络设计热带气旋强度估计模型,进一步提高热带气旋强度估计精度。主要研究内容如下:（1）针对热带气旋样本强度分布不均衡问题,开展热带气旋强度的分类-回归-集成多层耦合强度估计模型研究,提出了集成学习策略。该模型由分类、回归和Model＿BP组成,在训练阶段使用集成学习策略依次训练。在验证阶段分类模型将不同强度的热带气旋样本分为强、中、弱三类,并使用基回归模型分别估计气旋强度;并利用Model＿BP耦合回归和分类模型的输出,进一步降低误差。实验结果表明,使用集成模型能够有效提升模型精度,最终精度为8.91 kts,较Dvorak技术提高了1.52 kts,较当前深度学习方法提高了0.3 kts。（2）为进一步考察卫星垂直立体观测信息对TC强度估计的影响,在红外、水汽和微波通道数据的基础上改进Res Net10基础模型,采用3D卷积和卷积注意力机制提升模型对热带气旋立体信息的提取和模型对暖核的关注度。并利用热带气旋旋转不变性等领域知识进一步优化模型,通过五点平滑精度达7.2 kts,较Dvorak技术提高了3.23 kts,较当前深度学习方法提高了2.01 kts。实验及模型可视化结果表明,本文提出的集成学习策略和多层耦合强度估计模型能够有效解决数据分布不均衡下的回归问题,并且可通过增强对卫星多通道立体信息的提取能力和对暖和的关注度来替换基模型获得更高的精度。本文的方法较Dvorak技术和深度学习强度估计方法均有显著提高。