为解决复杂地形与雷达覆盖不连续造成的监测盲区问题，本文提出一种基于 FY-4A 静止卫星多通道观测反演雷达组合反射率（RCRF）的深度学习模型——CBAM-Unet。该模型在 U-Net 架构中嵌入卷积块注意力模块（CBAM），通过串联通道与空间注意力机制，实现对关键红外谱段的自适应筛选与强回波核心的精准聚焦。利用2023年5—11月四川区域严格时空匹配的卫星-雷达数据集（14,023份样本）进行评估，结果表明：CBAM-Unet 在全样本测试中的反演精度（RMSE=6.8290 dBZ, R²=0.6277）与结构一致性（SSIM=0.7894）均显著优于 U-Net、Attention-Unet、SegFormer 等主流基线；在强回波区间（45–70 dBZ），其探测概率（POD=0.5296）与综合技巧评分（CSI=0.4384）表现最优，证实了对强对流核心的捕捉优势。此外，2024年7月FY-4B 数据的跨星测试显示模型具备良好的泛化能力。研究表明，融合卫星多光谱特征与轻量化双维注意力机制，可为填补复杂地形雷达盲区、提升强对流天气监测能力提供有效的技术支撑。

FY-4A；CBAM；U-Net；雷达组合反射率；复杂地形；深度学习反演；强对流监测