1.一种基于Mask R‑CNN深度学习模型的新反气旋客观识别方法，该方法利用海平面气压数据与人工识别反气旋数据训练Mask R‑CNN深度学习模型，通过训练好的模型得到机器识别反气旋数据，具体步骤如下：

步骤S1：下载海平面气压数据，从中随机挑选某地区部分时次数据，利用人工分析识别这些时次数据中影响某特定区域的冬季反气旋系统，制作所有挑选时次数据对应的人工识别反气旋数据；

步骤S2：将上步骤该地区所有挑选时次的海平面气压数据绘制为灰度图，并将其与上步骤的人工识别反气旋数据一起作为训练数据集；

步骤S3：利用训练数据集对Mask R‑CNN深度学习模型进行训练，得到训练好的模型；

步骤S4：将步骤S1下载的海平面气压数据处理为灰度图，输入训练好的Mask R‑CNN模型中，得到Mask R‑CNN模型输出的机器识别反气旋数据。

2.根据权利要求1所述基于Mask R‑CNN深度学习模型的新反气旋客观识别方法，步骤S1中，从下载的气压数据中随机挑选某地区5年冬季数据。

3.根据权利要求1或2所述基于Mask R‑CNN深度学习模型的新反气旋客观识别方法，步骤S1中，某特定区域选择蒙古高原区域。

4.根据权利要求3所述基于Mask R‑CNN深度学习模型的新反气旋客观识别方法，步骤S2和S4中，海平面气压数据通过编程语言python绘制为二维填色的灰度图。