云对于控制大气环境及气候变化起着至关重要的作用,云量是主要影响因素之一。MODIS可用于对地表、大气和海洋等进行长期观测,其多波段数据可以提供众多反映云特性的信息,但由于大范围、中高光谱分辨率信息获取的传感器设计要求,导致MODIS遥感图像空间分辨率较低、获取的遥感云图常常存在混合像元。此外,由于云量、云的高低薄厚等因素的影响,使得云像元之间的光谱变化范围比较大,传统的解混方法并不能得到很好的解混效果。因此,本文针对上述问题,从云的特性入手,借助MODIS遥感图像和能够提供云量信息的CALIPSO数据,以光谱解混技术为基础,开展了基于光谱解混的MODIS云量估计方法的研究。具体包括:首先,本文主要研究了MODIS遥感图像中云的特性和云的光谱特征提取。通过分析云的各种特性以及MODIS中云变化比较显著的波段,从中提取三组能够有效将云与其它背景地物区分开的特征,完成了云的光谱特征提取。其次,本文将云量估计问题转化为混合像元光谱解混问题,研究了基于非负矩阵分解及其改进算法的线性光谱解混方法,提高云量估计精度。本文使用MODIS全波段和云特征波段两组数据对这几种线性光谱解混方法做了相关实验,实验中采用主成分分析方法确定端元个数,以及顶点成分分析和全约束最小二乘法对端元矩阵和丰度矩阵进行初始化,最终根据解混的丰度矩阵中云像元所占的百分比例,完成云量估计,同时还验证了云特征波段解混的优势。最后,根据云的特性发现云量、云的高低薄的影响会加大类内光谱变化的范围,传统的线性解混并不适用。因此,本文在非负矩阵分解基础上,引入核映射,并联合数据的光谱结构信息,实现了基于核图正则非负矩阵分解的光谱解混;进一步,采用多核代替单核学习,充分利用不同单核的优势,有效地提高了云量估计精度。本文还研究了利用云特征进行光谱解混的方法,用于进一步提高云量估计精度,同时引入核对准技术,分析了不同云特征对于云量估计的作用。