随着全球气候的持续变暖和社会经济的发展，热带气旋的危害与日俱增，热带气旋引起的大风、暴雨和风暴潮会造成大量人员伤亡和财产损失。因此，提前预警并减少其带来的影响是至关重要的。遥感观测数据可以用于准确判断热带气旋强度和风速结构，可作为提前预警热带气旋的关键依据。然而，由于热带气旋内部存在雨带和极端风速，导致信号衰减或饱和，使用卫星遥感技术准确估计热带气旋风速依然是很具挑战性。有效利用遥感观测数据，提升其数据质量可进一步加强海洋灾害预报能力。

本研究基于生成对抗网络构建了一个深度学习模型用于重构合成孔径雷达观测下的热带气旋风速结构，可有效解决由雨带造成的C波段衰减和高风速下的信号饱和导致的观测时产生大量低质量数据的问题。提出的重构模型通过构建一个生成器，结合双路编码器和颈部聚合结构对热带气旋风速的全局和局部特征进行建模，并自适应地处理提取到的特征用于生成重构结果。同时还训练了一个判别器，用于监督模型输出并有效提升重构效果。通过使用欧洲中期天气预报中心（ECMWF）的大气模型产品进行训练和验证，模型可以直接用于提高合成孔径雷达风速的数据质量。与现有的合成孔径雷达风速产品相比，在低质量区域的模型重构结果和ECMWF的均方根误差降低了50%。结果表明，构建的深度学习方法对重构合成孔径雷达风速是有效的。此外，重构结果基于实际观测数据，更加接近现实，可用于热带气旋强度估计、结构分析和提升预报精度。