随着社会上科学技术的不断进步,人们的生产生活方式逐渐向着智能化和自动化的方向发展。在气象和航空领域中,随着深度学习技术的不断引入,云团识别、云团分类、云团分割、飞行器自动化航行以及航行线路规划等是领域内专业性较强的问题,如何利用深度学习自动化完成一直是相关研究人员研究的热点。卫星云图中包含着丰富的信息资料,其中所包含的各类云团信息更是在气象和航空领域中天气预测和航线规划的不可或缺的基本资料。针对庞大的卫星云图数据资料以及利用人工提取分析方式的局限性,利用人工智能的方式进行数据处理显得尤为重要。现阶段关于雷暴天气等气象信息都由气象工作人员进行确认识别,这种人工识别的方式无法满足对天气预警的实时性要求,给人们的人身财产安全保护带来了极大的挑战。为了解决上述的问题,本文提出一种将可分离卷积和残差块相结合,采用多池化结构对全局信息进行特征提取的网络结构,将网络结构中的参数降低,并在分割好的卫星云图资料中对飞机的飞行轨迹进行规划,完成辅助决策任务。本文的主要研究内容包括:1)在阅读大量文献的基础上,分析了对卫星云图进行智能化辨识的必要性,对国内外在图像分割以及卫星云图中雷暴云团辨识的研究现状进行了总结,分析了现阶段常用的分割方法以及它们在卫星云图中使用的局限性。2)详细介绍了卷积神经网络的基本原理与层次化结构,针对普通卷积的参数量过大,计算效率较低,无法直接使用在嵌入式设备使用的问题,对卷积神经网络进行了轻量化的改进。提出一种将可分离卷积与残差块相结合,通过降低网络中的参数量,提升网络的计算效率,并且在网络后端采用大小不同的池化窗口提取特征图中的细节信息,提升雷暴云团的识别准确率。最后将雷暴云团的分割结果与常用的图像分割方法进行比较实验,文中的网络结构比常用的网络分割网络有优势,将雷暴云团的识别准确率提升0.5%,并且将卫星云图的响应时间缩短10%。证明了文中所述的网络结构能够对卫星云图中的雷暴云团进行识别,并且响应时间有所降低。3)基于已经对雷暴云团识别出来的卫星云图数据,利用添加了标志位和梯度向量的深度优先算法对飞机的航行路径进行规划,降低了深度优先算法的计算损失,提升了算法的计算效率,同时根据相关的信息对雷暴云团的移动方向进行推断,并将其考虑在路径规划的过程中。最后通过实验证明,改进后的方法能够快速有效的进行线路规划,绕过雷暴云团,达到了在航空领域中对飞行路线辅助决策的作用。在全文的最后,为了便于一些非相关的人员使用,对数据解析和网络结构进行了实用性和系统性的封装。