船迹云是研究人为气溶胶-云相互作用及其辐射强迫的典型观测对象。现有研究多依赖极轨卫星，受限于较低的时间分辨率，通常只能获取船迹云的瞬时状态，难以连续刻画其从生成、发展到消散的完整生命周期演变过程。
针对这一观测局限，本研究基于静止气象卫星GOES-17的高频多光谱观测数据，提出一种结合深度学习与时空匹配逻辑的船迹云自动识别与追踪算法框架。在空间识别层面，训练了基于U-Net架构的语义分割模型，利用多通道辐射特征分离海洋云系背景，提取低对比度的线状船迹云像素。在时间追踪层面，针对船迹云在高频观测序列中呈现的非线性形变与位移特征，开发了动态追踪算法。该算法重点处理多时相连续匹配中的三类情形：一是采用轨迹断裂修复机制，处理因信号短暂缺失或分割遗漏造成的数据不连续现象；二是引入方向突变自适应模块，计算边界层风场切变导致的云迹急剧偏转；三是确立演变事件识别逻辑，界定船迹云初生、成熟与消散等关键时间节点。
实验结果表明，该“静态分割-动态追踪”耦合框架在重构船迹云生命周期轨迹方面具备技术可行性。其中，U-Net模型在测试集上达到 46.75% 的交并比 (IOU) 与 52.60% 的召回率 (Recall)。算法的持续优化预期可为高频船迹云的自动化监测提供方法学参考，并为定量解析气溶胶-云相互作用的瞬态动力学过程提供观测基础。

船迹云,全生命周期,GOES-17,U-Net,动态追踪