云的存在影响卫星数据的使用，因此准确高效的云检测在遥感图像目标识别和参数定量反演中具有重要作用。针对亮地表、薄碎云及云边界等难以识别、不同尺度特征的云检测精度不稳定等问题，对短期时序数据进行线性回归计算，将前后时序数据的表观反射率斜率变化趋势作为输入特征。为充分挖掘不同尺度的信息，采用具有密集跳跃结构和深监督结构的UNet++模型进行云检测研究。与单时相数据集的U-Net、SegNet和UNet++相比，所提方法可以更有效地突出多尺度特征，增加对亮地表、云边缘和薄云信息的敏感度。结果表明，所提方法在云检测方面得到较高的精度，总体精度达98.21%，误检率降低至1.07%，漏检率降低至3.12%。所提方法能有效降低裸地、道路、建筑物、冰雪等亮地表对云识别的干扰，提升了对薄云的识别精度，且适用于不同下垫面的遥感影像。

卫星对地遥感观测中，云和冰雪地表是两个重要的观测对象，由于它们辐射特性的相似性，使得冰雪区域上空云检测存在困难。针对高光谱观测卫星（高分五号02星）偏振载荷的数据特征，本文设计了一套冰雪上空云检测算法。该算法利用高分五号偏振载荷大气气溶胶多角度偏振探测仪和高精度偏振扫描仪的在轨探测多角度多光谱偏振辐射数据，协同进行云检测。首先，通过氧A带吸收通道的表观压强检测进行云和冰雪的初步区分，在此基础上利用多角度偏振散射特性进行冰雪上空的水云检测，利用卷云波段检测提高了冰雪上空的卷云检测效果，最后通过对常用的NDSI归一化雪指数进行改进，提高了冰雪上空的冰云检测精度。以格陵兰岛和南极区域为例，进行了冰雪上空云检测实验，并与成像时间相近的MODIS产品云掩膜产品MOD35进行比对，一致性分别为83.3%和94.4%。结果表明，本文提出的算法能够有效检测冰雪上空的云像元。

云的存在影响着遥感影像的广泛应用。基于高光谱观测卫星全谱段光谱成像仪的空间分辨率高和波段范围广的特点，提出一种适用于全谱段光谱成像仪数据的改进多通道阈值云检测算法。首先，根据云层在可见光到热红外通道的变化特征分离潜在云像素和清晰像素；然后，将温度概率、变异概率和亮度概率相结合，分别生成陆地和水体的云概率掩模；在此基础上，利用潜在云像素和云概率掩模得到潜在云层；最后，对潜在云层应用晴空恢复测试来减轻陆地水体以及冰雪上空云的误判。将改进的多通道阈值云检测算法结果与传统的多通道阈值云检测算法结果进行定量对比分析。结果表明：改进的算法能适用于不同的地表场景且得到较好的检测效果，平均总体精度为92.0%，差异度总体降低3%，平均云像元正确率和晴空像元正确率分别为92.4%和91.8%，错分和漏分误差显著降低；尤其在高亮地表，在城市和冰雪上空的平均云像元正确率分别提高4%和5%，差异度分别降低4%和2%。所提算法的云识别效果优于传统的多通道阈值云检测算法的结果，并且运行效率较高。

为解决传统云检测算法难以区分薄云和厚云问题，提高遥感图像云检测准确度，提出一种融合双注意力机制的遥感图像云检测算法。首先，以DenseNet结构为基础构建双注意力模型，引入密集连接模块以降低特征通道数；其次，引入全局上下文模块获取全局上下文信息进一步改善系统性能；最后，引入级联的空洞卷积模块以增大感受野，获取更多的影像全局信息。实验结果表明，与F-CNN、self-contrast、RF、SVM以及Fmask等算法相比，所提算法在薄云和厚云检测中具有更好的检测性能，云像素的综合检测正确率为0.9340、错误率仅为0.0385、误报率为0.0693，并能够有效避免过度检测。

在卫星遥感研究中, 云检测是基础环节, 其结果影响大气、地表各种参数的定量遥感, 同时也影响云微物理特性的反演。本研究针对多角度偏振卫星载荷 (高分五号 DPC 传感器), 建立了一种改进的光谱特征云检测算法。该算法综合利用云像元和非云像元在可见光反射率光谱、氧 A 波段吸收、蓝光偏振反射率以及偏振虹等特性上的差异, 分别提出了陆地、海洋上空的云检测方案, 并进一步建立了多角度云检测融合策略以标记云、晴空和未定像元。在陆地检测中, 通过增加表观压强检测和偏振虹检测分别改进了高层薄云和低层薄云的识别; 在海洋检测中, 利用表观压强与云层的退偏特性改进了耀光区云像元的识别。全球云检测结果示例显示该算法整体检测效果较好, 同时典型区域的检测结果与 MODIS 云产品也具有较好的一致性。该研究可为高分五号 02 星上的多角度偏振传感器云检测提供方法基础。

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。 该方法采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。