微波遥感为大气环境参数观测提供了一种更加连续、充分、实时、便捷的方式,而地基微波辐射计作为大气微波遥感的一种重要手段,能够全天候连续探测微波辐射能量,从而反演得到温度、水汽密度、液态水等重要大气参数,这使得微波辐射计在气象科学、无线电通信、卫星定位与导航以及空间观测等领域得到了越来越广泛的运用。在地基微波辐射计的基础上,改进BP(Back Propagation)神经网络算法,并对大气参数进行反演,有效提高了微波辐射计对大气参数的探测精度。基于大气微波传输理论和神经网络技术,重点研究了大气温度、水汽密度、相对湿度、云中液态水含量的反演算法。研究内容包括:研究了对武汉地区的历史探空资料中无效数据剔除、数值转换、数据插值等预处理,并对探空资料进行分类,将数据划分为晴天样本集和云天样本集;在晴空无云和有云无降雨两种天气情况下,研究大气微波传输模型,并根据大气微波传输方程计算两种模式下的亮温数据集;分析讨论了用于反演大气参数的神经网络改进算法,重点研究了利用遗传算法优化网络的初始连接权值阈值,来提高神经网络的性能,并对神经网络不同的改进算法进行性能对比;最后结合改进的神经网络算法,以与各大气参数相对应的亮温数据集作为网络输入,对温度、水汽密度、相对湿度和液态水含量等作了反演仿真,以探空数据为参考依据,分析讨论了各大气参数在不同高度层的反演精度。通过建立改进的神经网络,以相应的亮温作为网络输入,对地基微波辐射计温度、水汽密度、相对湿度以及液态水含量进行反演。试验验证表明,采用LMBP(Levenberg-Marquardt Back Propagation)算法和GABP(Genetic Algorithm Back Propagation)算法建立神经网络,并将其应用在微波辐射计的大气参数反演中,对大气参数在不同高度层的反演精度均有一定的改进,获得较好的反演结果,为大气科学研究和天气实时观测提供更准确的大气参量。