为实现对降水粒子的高精准分类，整理3 a机载探测降水粒子图像，构建山东省降水粒子图像 数据集（Shandong Province Precipitation Particle Image Dataset， SD-PPID）。结合多维度混和的模型放 缩方法，提出一种基于EfficientNet卷积神经网络的降水粒子识别模型（A Precipitation particle Recogni⁃ tion model based on EfficientNet convolutional neural Network，PREN）。通过多模型、多指标评价对比， 验证了 PREN 模型具有较好的性能和分类识别能力，模型的识别准确率、精准率和召回率均为 98%。 使用 PREN模型分析对流泡降水粒子特征，选取 2次典型积层混合云降水过程的 3个时段，结合机载 Ka 波段云雷达（Airborne Ka-Band Precipitation Cloud Radar，KPR）和 DMT 粒子测量系统（Droplet Mea⁃ surement Technologies）分析对流泡内部与外部、不同强度和不同高度的降水粒子形状占比，并研究其 降水机制。结果表明，PREN可有效识别对流泡降水粒子的特征。对流泡内，主要是球状、针状、不规 则状和柱状降水粒子，而对流泡外降水粒子主要为球状和针状。不同强度的对流泡云微物理参数各 不相同。降水成熟阶段对流泡内霰粒子和针状粒子占比高于消散阶段，降水成熟阶段降水粒子平均 弦长415 µm，而消散阶段粒子平均弦长367 µm。对流泡上部降水粒子以球状和六边形板状为主，主 要通过凝华过程增长。在0 ℃层，不规则状粒子和柱状粒子的比例增加，融化过程与动力条件有利于 碰并增长形成不规则状粒子，柱状粒子主要来自于高层掉落。