为准确且精细地识别云相态，提出一种基于模糊逻辑识别云相态的优化算法，基于不同云粒子特征参数对T函数系数进行了调整。考虑了回波反射率因子衰减和温度对云相态识别准确性的影响，利用毫米波云雷达订正后的回波反射率因子、径向速度、谱宽和微波辐射计探测的连续时空温度，作为优化后的模糊逻辑算法的输入参数。优化后的模糊逻辑算法在原有云粒子相态（冰晶、雪花、混合相态、液态云滴、毛毛雨和雨滴）识别的基础上，还可实现对过冷水和暖云滴的识别。利用该算法对2022年2月6日陕西省西安市一次降雪过程的云粒子相态进行识别，将近地面的云粒子相态结果与同址地面降水现象仪记录的降水粒子相态进行对比，二者探测的相态有较高的一致性，说明优化后的算法能准确且精细地识别云粒子相态。

基于聚类思想设计了二维和三维云相态聚类识别算法,结合偏振激光雷达、微波辐射计和毫米波雷达资料,进行了云相态的精细识别与分类方法研究。将云粒子的体退偏比、温度和反射率因子作为聚类网络学习的输入特征量,通过无监督学习区分云层中不同相态的簇划分结果,利用簇划分结果实现了对云相态的精细识别,解决了传统云相态识别中采用单一阈值算法导致的结果误判问题。所设计算法可以实现云中过冷水区、暖云液态水区和冰相的高效识别,同时对混合云相态实现了冰占主导和水占主导的细分。利用偏振激光雷达、微波辐射计和毫米波雷达对西安市上空云层进行了观测,反演了三台仪器的同步观测数据。利用所设计的聚类识别算法对2021年1月9—10日和2021年6月8—9日观测到的云数据进行了二维聚类和三维聚类识别与分析,实现了云层内暖云滴、混合相(冰占主导、水占主导)、过冷水和冰相的区分。通过比较与分析,发现三维聚类识别算法比二维聚类识别算法更能详细地展现相态转换过程的细节信息,整体识别结果与实际天气变换过程吻合。

构建了一种基于毫米波云雷达多普勒谱的过冷水滴、冰晶、雪花的识别算法, 通过对全局谱的谱峰识别, 分离出了不同类型粒子的局部谱, 得出了不同类型粒子的反射率因子、多普勒速度、谱宽等谱矩参数及含水量.通过对一次降雪过程Ka波段测云雷达多普勒谱的分析, 结果表明: (1)混合相云中, 由于雪花对毫米波雷达总回波强度贡献较大, 基于总雷达反射率因子直接反演液态水含量会忽略过冷水滴的贡献, 造成云中含水量的低估; (2)多普勒谱反演得到过冷水的液态水路径(LWP)与微波辐射计反演结果一致性较好, 说明毫米波雷达能够有效估量云中液态水路径; (3)冰雪晶粒子在过冷水层(SWL)中下落速度随反射率因子的变化梯度(dV/dZ)比在冰雪层(ISL)中大,这主要是因为冰雪晶粒子在SWL中通过凇附增长比在ISL中通过碰并增长要增长得更快.