全球气候、天气模式的发展要求精确地监测全球范围的大气温度、湿度廓线、微量气体含量及气溶胶含量,其中大气温度、湿度廓线是天气预报和大气科学研究的最基本的参数,在天气分析、数值模式等领域中有重要应用价值,为提高预报准确率提供了有力支撑。星载红外高光谱探测仪能够实现大气温度和湿度参数高垂直分辨率的三维遥感探测。本文基于FY-4A红外高光谱探测仪GIIRS（Geostationary Interferometric Infrared Sounder）Level 1级观测亮度温度资料,在利用自身观测进行云检测的基础上,使用一维变分的物理反演算法和深度机器学习算法（一维卷积神经网络反演算法和三维卷积神经网络反演算法）反演全天空条件下大气温度和湿度垂直廓线。同时,用时间、空间匹配的ECMWF（European Centre for Medium-Range Weather Forecasts）的再分析场和中国区域81个高空站点无线电探空观测值对上述三种算法反演产品和国家卫星气象中心发布的GIIRS Level 2级业务产品精度进行评估,评价各种算法的优劣。得到如下结论:基于GIIRS自身观测的云检测方案将传统的晴空视场识别与云型估计方法和热对比检测方法相结合,摆脱了探测器云检测对成像仪的依赖。与多通道扫描成像辐射仪AGRI（Advanced Geosynchronous Radiation Imager）实时云检测产品和窗区通道观测亮温相比,云检测结果整体而言与窗区通道观测亮温大小和AGRI云检测产品都吻合很好;在晴空和有云视场交接的边缘处云检测结果稍有差异。同时,针对部分有云的视场进行了晴空亮温重构,将其用于后续的一维变分反演中。利用构建一维CNN和三维CNN网络训练样本集中的测试样本验证表明,一维CNN温度反演精度较高,所有高度层平均偏差都在0 K附近,800-50 h Pa温度均方根误差RMSE（Root Mean Square Error）均小于2 K。而三维CNN则湿度反演精度相对较高,反演精度随高度的增高而升高,整层平均RMSE约0.78 g/kg。用实况观测资料进行反演时各种算法的反演精度都比测试样本低。2019年12月至2020年1月（冬季）和2020年7月至2020年8月（夏季）FY-4A/GIIRS实况观测反演表明:晴空条件下,一维CNN、三维CNN、一维变分物理法反演值和GIIRS Level 2级业务产品,不论温度还是湿度均是一维CNN反演误差最大。冬季和夏季三维CNN、一维变分和Level 2业务产品皆是在800-200 h Pa温度反演精度最高,偏差大多在0 K附近。整层大气范围内,一维变分物理法反演的温度均方根误差RMSE最小（800-200 h Pa RMSE＜1 K）,GIIRS Level 2级业务产品、三维CNN和一维CNN温度反演精度依次降低。GIIRS实况观测视场中有云影响时,晴空时产品精度较高的GIIRS Level 2业务产品的质量则大大降低（某些高度层平均偏差超过了2 K）,一维变分物理法反演精度则最高,不论冬季还是夏季在所有高度层（除近地面外）温度平均偏差都在0值附近;200h Pa以下高度三维CNN的偏差也很小,与一维变分法相当。与晴空相同,一维CNN反演的温度偏差最大。一维变分物理法反演的温度RMSE在所有高度层都小于其它三种方法,尤其夏季100 h Pa高度以下RMSE均在1 K左右;不论夏季还是冬季,三维CNN反演的精度次之。总体而言,所有算法（除一维CNN）有云时夏季反演温度RMSE均小于冬季,冬季反演湿度RMSE均小于夏季。与晴空相似,三维CNN和一维变分物理法的湿度反演精度都是在近地面较低,且反演的湿度整体都偏低于无线电探空值,除近地面外一维变分物理法的湿度反演精度优于三维CNN。本文开发的一维变分方法和卷积神经网络算法均可获取整层的大气温湿度廓线,弥补了国家卫星气象中心发布的GIIRS Level 2级业务产品仅提供云顶以上高度的温度廓线（视场中有云时）和未提供湿度廓线产品的缺陷。前者虽然反演精度略高,但在全云覆盖时没有反演能力,而后者可用于全天空反演而且大大提高了反演速度。利用我国FY-4A静止气象卫星平台高时间分辨率和区域机动探测的特性,结合高光谱分辨率的GIIRS观测可以细致追踪台风处于发展、成熟和登陆等不同生命史阶段时暖心结构和湿度场等的时空分布和演变特征。