星载降水雷达采用主动微波探测，能够全天时获取近全球范围内降水系统的三维结构信息，是认识和监测全球降水过程的重要观测手段，但其约5 km的水平足迹和有限的探测灵敏度限制了对小尺度对流结构和弱回波的精细表征。针对全球降水测量计划（GPM）核心卫星搭载的双频降水雷达（DPR），本研究提出一种融合Ku/Ka双频观测与多高度垂直结构信息的潜空间扩散模型（LDM）超分辨率框架。通过WRF模式数值模拟与雷达仿真获得不同频率的反射率因子场，构建具有物理一致性的1 km高分辨率配对数据集，用于训练所提出的生成式深度学习模型。结果表明，模型在归一化测试集的RMSE和FID分别为0.0929和20.6031，在30和45 dBZ阈值下的CSI分别为0.9374和0.852。真实个例评估显示，重建结果能够增强回波连续性，细化热带气旋眼墙、螺旋雨带及嵌入式对流等结构，并在中尺度对流系统、梅雨降水等不同降水类型中表现出跨区域、跨类型的适用性。与CloudSat的交叉验证进一步表明，在低层降水结构提供有效约束时，模型可对高层丢失的弱回波区域进行合理的概率性推断。该框架可作为现有观测的补充，实现有效水平分辨率提升、与地基雷达观测一致的频率转换和弱回波重建，为精细化星地协同应用及海洋等地基雷达覆盖不足区域的降水观测提供技术支撑。

深度学习,星载降水雷达,超分辨率,弱回波重建