雷达组合反射率对于强对流天气监测和短期预报至关重要，但由于地面雷达覆盖范围不连续，特别是在复杂地形和雷达稀疏地区，其可用性受到限制。为了解决这一问题，本文提出了一种卫星驱动的反演框架——MRD-CRGAN（多尺度残差解码器条件生成对抗网络），该框架利用静止卫星多光谱观测数据，通过条件分布学习重构雷达组合反射率。模型利用我国江苏省协同定位的葵花9号（Himawari-9）卫星观测数据和S波段雷达数据进行训练，集成了一个多尺度残差编码器-解码器架构，并结合对抗学习和混合损失函数，从而对强度、结构、梯度以及辐射传输一致性进行多重约束，有效解决了该反演任务的病态逆问题。实验结果表明，在轻度、中度和重度降水条件下，MRD-CRGAN 的性能均显著优于现有主流基准模型。相比于MCUNet，其在三种降水强度下的均方误差（MSE）分别降低了48.8%、49.8%和28.1%，结构相似性（SSIM）提升了高达4.4%。在独立测试集上，该模型取得了平均绝对误差（MAE）为0.956、均方根误差（RMSE）为2.592、SSIM为0.8362以及关键成功指数（CSI45）为0.717的优异表现。消融实验表明，多尺度重构与对抗学习的结合使MAE降低了23.2%，并使CSI45较非对抗基线大幅提升了109.0%。这些研究结果表明，条件生成对抗网络为将雷达覆盖范围延伸至数据匮乏地区提供了一种物理一致且业务可行的解决方案，为强对流天气监测、降水估计和临近预报提供了强有力的技术支撑。

雷达组合反射率；Himawari-9卫星；条件生成对抗网络；深度学习；天气雷达