多普勒天气雷达是获取气象观测信息、开展定量降水估计、强对流天气监测以及灾害预警的重要观测设备。为满足天气过程连续化、精细化监测需求，并支撑天气预报和防灾减灾等业务应用，我国已建成由新一代多普勒天气雷达组成的全国雷达监测网络（CINRAD）。其中，雷达反射率因子拼图数据作为表征降水系统结构和强度的重要观测产品，是我国气象业务应用中最为关键的基础观测数据之一。然而，受到地物杂波、电磁干扰、异常传播以及雷达设备状态等因素影响，拼图数据中仍然包含大量的非降水回波（Non-Precipitation Echoes, NPEs），该现象会导致降水区域误判、回波强度高估等问题，严重影响雷达产品质量及后续气象应用。传统非降水回波识别方法主要依赖人工经验规则、物理阈值或多源辅助信息融合，在复杂气象条件和大范围业务应用场景下仍存在特征表达能力不足、泛化性能有限以及计算效率较低等问题。

针对上述问题，本文提出一种多源数据驱动的天气雷达非降水回波智能识别方法。首先，利用风云四号A星（FY-4A）静止气象卫星多通道亮温数据作为输入数据，并结合天气雷达反射率因子拼图数据和地面雨量站观测数据，通过阈值方法构建非降水回波识别数据集，为深度学习非降水回波智能识别提供可靠的数据支撑。在此基础上，提出一种高效非降水回波识别网络（RepNPE-Net）。该网络设计双流重参数化卷积模块（RepDCM和RepADCM），通过融合不同卷积结构的特征提取能力，增强模型对复杂空间结构及局部异常回波特征的表征能力。同时，引入基于位置编码的高效局部注意力模块（PELA），提升模型对关键空间区域及非降水回波判别相关特征的感知能力。此外，提出混合卷积重参数化方法（Hybrid Convolution Reparameterization, HCR），将训练阶段的多分支卷积结构转换为推理阶段的单分支等效结构，在保持识别性能的同时降低模型计算复杂度，有效提升了大范围天气雷达非降水回波智能识别任务中的推理效率。

为验证所提方法的有效性，本文基于中国区域的拼图数据开展实验，并与多种深度学习方法进行对比分析。结果表明，RepNPE-Net在ACC、Precision、Recall、F1、POD、FAR、CSI和HSS等指标上均优于对比方法，取得了优异的非降水回波识别性能。同时，消融实验验证了RepDCM、RepADCM、PELA以及HCR方法对模型性能提升和推理效率优化的有效性。此外，全国区域泛化实验和个例分析进一步表明所提方法具有良好的稳定性和泛化能力，有效提升了天气雷达拼图数据质量控制水平，为后续定量降水估计、强对流天气监测以及智能化气象业务应用提供了可靠的数据支持。

天气雷达,非降水回波识别,多源数据,深度学习,雷达数据质量控制