准确表征雨滴谱分布（DSD）是理解降水微物理过程和提升定量降水预报效果的重要基础。然而，当前数值模式的双参数微物理方案和双偏振雷达反演算法，通常将描述雨滴谱的三参数伽马分布中的形状参数预设为常数，或仅依据地面雨滴谱仪观测拟合的经验关系对其进行诊断，因此难以准确表征环境动力、热力和微物理过程共同作用下雨滴谱形态的动态变化。为此，本研究提出了一种融合地面雨滴谱观测与环境大气变量的机器学习反演框架。基于上海11个站点2019年至2021年PARSIVEL2地面激光雨滴谱仪观测得到的液态水含量、雨滴总数浓度等微物理量，并融合了同站点的自动气象站地面观测以及ERA5再分析数据的16个环境气象变量作为输入特征，构建了随机森林、XGBoost和多层感知机三种机器学习模型，用于反演雨滴谱形状参数。结果表明，机器学习模型显著优于传统的约束伽马方法：雨滴谱形状参数的反演决定系数从0.06提高到0.62，均方根误差降低了约37%，并且能较好地再现实际降水在雨滴谱斜率-形状（\(\lambda-\mu\)）参数空间中的动态分布特征。此外，在2022–2025年独立强降水样本和5个台风个例中，机器学习模型表现稳健，其对中等到强降水下的DSD参数和雨强估计均更接近观测值。SHAP可解释性分析显示，三个模型中大气热力与动力因子的合计贡献占总特征重要度的27%–38%；特征消融试验进一步证实，融入环境大气的热动力信息对提高模型雨滴谱反演性能具有显著贡献。该数据驱动的融合微物理量和环境变量的反演框架，可为改进数值模式中的雨滴谱参数化和雷达降水雨滴谱反演提供有益参考。

雨滴谱分布,机器学习,环境大气变量,台风,降水微物理