A medida que avanza la predicción numérica del tiempo, hay una creciente demanda de datos atmosféricos de mayor calidad. Los instrumentos hiperespectrales pueden capturar más información atmosférica y aumentar la resolución vertical, pero ha habido una investigación limitada sobre algoritmos de recuperación para obtener microondas hiperespectrales en el futuro. Este estudio propone un algoritmo de detección de perfiles de temperatura atmosférica basado en Redes Neuronales Convolucionales (CNN) y Mecanismos de Atención Local para la extracción de características locales, aplicado a sensores de microondas hiperespectrales. El estudio utiliza el método de entropía de información para extraer canales más efectivos en las vecindades de 60 GHz, 118 GHz y 425 GHz. El algoritmo utiliza la temperatura de brillo como entrada de la red. El algoritmo aborda problemas comunes encontrados en redes convencionales, como el sobreajuste, la explosión de gradientes y la desaparición de gradientes. Además, este método aísla las tres bandas de frecuencia sensibles al oxígeno para el entrenamiento de extracción de características locales modularizadas, evitando así cambios abruptos en la temperatura de brillo entre bandas de frecuencia adyacentes. Más importante aún, el algoritmo considera la correlación entre múltiples canales y la redundancia de información, centrándose en las variaciones de la información local. Esto mejora la efectividad de la extracción de información de canales de microondas hiperespectrales. Simulamos las temperaturas de brillo de los canales seleccionados a través de ARTS y las dividimos en conjuntos de entrenamiento, validación y prueba. La capacidad de recuperación del método propuesto se valida en un conjunto de datos de prueba, logrando un error cuadrático medio de 1.46 K y un error absoluto medio de 1.4 K para el perfil de temperatura. También se realizan comparaciones detalladas entre este método y otras redes comúnmente utilizadas para la recuperación atmosférica. Los resultados demuestran que el método propuesto mejora significativamente la precisión de la recuperación del perfil de temperatura, particularmente en la captura de detalles finos, y es más adaptable a entornos complejos. El modelo también exhibe escalabilidad, extendiéndose de un espacio unidimensional (nivel de presión) a un espacio tridimensional. El error para cada nivel de presión se controla dentro de 0.7 K y el error promedio está dentro de 0.4 K, demostrando efectividad en diferentes escalas con resultados impresionantes. La eficiencia computacional y la precisión se han mejorado al manejar una gran cantidad de datos de radiación.