数据是气象产品的核心原材料，数据质量控制算法的性能从源头上决定了气象产品的质量。准确的回波分类对毫米波云雷达的数据质量控制至关重要。针对现有方法在复杂场景下泛化能力受限或缺乏物理可解释性的问题，本文提出了一种融合热力学先验与雷达时空特征的物理引导网络PhySNet，构建了从特征提取到决策输出的全链路物理信息嵌入机制。我们发现抬升凝结高度与日间晴空回波高度之间具有耦合性，同时夜间晴空回波高度与其日间高度之间存在滞后相关性。基于此我们设计了一个物理约束门控模块，该模块从同址地面观测数据中提取热力学状态和演变趋势，生成晴空回波概率图对初始雷达特征进行加权调制。进一步，我们增加了一个预测有效杂波高度的并行回归分支，该分支融合了热力学特征与雷达时空特征，让模型能够学习预测晴空回波的边界。最后，我们利用预测出的有效杂波高度序列构建自适应高度滤波器，对识别结果进行精细化订正。在覆盖中国多地区、多季节的数据集上的评估结果显示，PhySNet对气象回波的探测概率（POD）达98.28%，对晴空回波的探测概率达95.87%，性能优于传统方法。通过将数据驱动的深度学习与物理规则相结合，我们的方法为云雷达数据质量控制提供了一个高精度、可解释的解决方案。

毫米波云雷达；晴空回波；数据质量控制；物理引导深度学习；多任务深度学习