近年来，随着数值预报技术的发展和气象卫星探测能力的不断提高，人们越来越多地将卫星资料应用于数值预报中，并取得了明显的进展。然而，卫星资料的使用，云判断和云型分类是首要解决的问题。云图上除特征较为明显的典型云类外，还存在云类之间的过渡区域和处于长、消阶段等一些特征较为模糊的云系以及多层云系的情况。传统的遥感云图分类方法或者不能处理这种模糊性，或者对模糊性的处理不彻底。　　 针对传统模糊集理论的不彻底性，李德毅教授等在模糊集理论和概率论的基础上提出了云模型理论，它是一种定量定性不确定性转换模型，把定性概念的模糊性和随机性完全集成起来，以3个数字特征作为对定性概念的描述参数，构成定性和定量相互间的映射　　 从模糊性出发，本文分析了遥感云图分类中的不确定性，指出对云图的判别，至少存在着模糊性和随机性这两种不确定性，而且在人工识别的情况下，这两种不确定性也不可避免。针对这种不确定性，本文提出用云模型理论构造分类器，模拟云图的人工分类。文章的主要内容有：　　 1、分析两类最基本的不确定性：模糊性和随机性。认为随机性和模糊性常常是连在一起的，难以区分和独立存在。在处理现实世界中的不确定性问题时，应该综合考虑模糊性和随机性。　　 2、介绍云模型理论的基本内容，解释云模型3个基本参数的涵义，分析了正态分布和正态隶属度的普遍性，提出正态云模型的普适性。构造正向云与逆向云发生器算法。　　 3、以遥感云图的光谱特征为依据，用主成分分析法提取分类特征值，以云变换和泛概念树为工具，构造一种自底向上的云分类器，模拟人工分类的过程。　　 4、分析云模型理论中蕴含的粒度原理，提出对问题论域的一种等价划分，并以云模型描述等价类，构造一种非统一粒度下的云模型分类器。　　 文章的创新之处在于：　　 1、将云模型理论用于遥感图像中云的分类，处理分类的不确定性，模拟人工分类。　　 2、揭示云模型所蕴含的粒度原理，设计一个更符合人类思维方式的云模型分类器，提高云模型分类器的精度。