降水量资料对于农业、社会活动、经济有着重要的意义。在国家气象灾害防护、地区气候研究方面,对广区域的降水量资料有着迫切需求。在当前的气象业务中,获取降水资料主要依赖于当地气象雷达站对雷达回波图的分析和气象卫星传感器遥感算法的反演。然而,国内陆地气象站数量分布稀疏不均匀,广袤的海洋或者沙漠上的长时间固定的雷达探测更是捉襟见肘;已有的卫星遥感算法并不开源,且时空分辨率低、反演精度受不同地区、不同气候的影响较大,无法很好的帮助气象学研究获取广覆盖,全天候监测降水量资料。为了补盲广覆盖,全天候条件下的降水量资料,为高准确度的广覆盖降水量资料获取提供一个新的视角和方法,本文以基于计算机视觉的卫星云图反演降水量方法为研究课题,主要开展如下工作。1)调研计算机视觉在图像分割、语义分割、序列预测问题上的传统算法和深度学习方法,探讨调研雷达测雨、降水预估的相关技术,结合深度卷积网络和长短期记忆人工神经网络,研究解决广覆盖全天候降水资料补盲问题的方法。2)面向本文所获取的诸多训练样本的格式和质量问题进行分析,针对问题分析的结果对卫星遥感云图等参与训练的样本进行处理,制作符合训练要求的高质量标签-样本集。3)针对气象卫星遥感捕捉到的云层特征和雷达回波值之间的非线性关系,提出基于计算机视觉方法的卫星云图反演模型,通过模型抽象提取云层特征,训练模型中的参数,使其能够拟合卫星云图上像素与雷达回波值之间的非线性关系。本文提出的方法在覆盖范围,可移植性,观测时间间隔,清晰度,准确度方面均优于传统的卫星遥感降水量测算的各类算法。4)为了更好地补盲降水量资料,本文提出基于长短期记忆人工神经网络的广覆盖降水量演变预测复合模型,相比传统的光流法外推预测,有着更好地运动预测准确度,可以更准确的预测云层的运动趋势和降水量数值的演变。通过深度卷积神经网络以及长短期记忆人工神经网络对于降水量分布特征、变化的准确预测,经过均方误差以及平衡F参数等对复合模型准确率的检验表明,本文提出的复合模型可以较好的完成全天候,广覆盖降水量反演任务,实现对降水量资料的补盲。