遥感影像云检测是遥感应用的重要预处理步骤。随着计算机理论和技术的发展,机器学习和深度学习的方法极大地提升了遥感影像云检测的精度。在目前的云检测研究中,如何在全球范围内提高云检测的精度、性能稳定性和计算效率仍然是一个具有挑战性的问题。对于模型的训练而言,选择足够且有代表性的训练样本是非常关键的。目前的训练样本大部分都来源于人工目视解译,这项工作耗费了大量的人力和物力,而以往的研究主要关注云检测算法的优化,很少有研究探讨如何自动提取有效的训练样本。并且,目前精度较高的机器学习云检测模型普适性不强,很难同时应用到其他传感器上。为了解决云检测任务中训练样本来源的问题,本研究提出了一种融合形态学腐蚀和半监督学习的EDSL模型（erosion and disagreement-based semi-supervised learning）,结合Fmask 4.0算法自动从Landsat-8遥感影像中提取样本并建立云检测样本库。完成EDSL模型的精度验证后,本研究基于随机森林算法（Random Forest,RF）,利用来源不同的训练样本（样本分别来源于Fmask 4.0算法的结果,云检测样本库以及人工目视解译）拟合了三个不同的云检测模型（Fmask＿RF、EDSL＿RF和Truth＿RF）,通过对比分析不同模型的精度来验证云检测样本库的可用性。结果表明,经过EDSL模型提纯后,云检测样本库的精度达到了0.991。基于Fmask 4.0算法获取初始云掩膜后,EDSL模型可以有效地去除初始云掩膜中云对象边缘的误分类像素和面积较大的块状误分类对象。在遥感影像的云检测任务中,Fmask＿RF、EDSL＿RF和Truth＿RF的总体精度分别为0.694、0.909和0.913,这表明在实际云检测场景中,云检测样本库可以为模型提供有效的训练样本。此外,本文也对EDSL＿RF和Fmask 4.0算法进行了精度和效率上的对比,结果表明EDSL＿RF在云检测任务中的表现是更稳定的。为了增强云检测模型的普适性,本文利用波段转换的方法将高分五号（GF-5）的云检测场景迁移到了Landsat-8场景下,并基于云检测样本库和随机森林算法拟合了云检测模型对GF-5影像进行云检测。结果表明与场景迁移前相比,云检测场景迁移后GF-5云检测的精度和分类效率都得到了一定的提升。本研究提出的方法不仅可以有效地提高遥感影像云检测的精度和效率,还能增强模型的普适性,从而加快对中分辨率卫星数据的全局处理。