云和云阴影的存在使遥感影像区域内的信息丢失或变得模糊，不仅降低了数据的利用率，更是严重影响到地表参数和大气参数反演的准确性和可靠性。遥感传感器探测范围较广，同时受到天气原因以及传感器自身观测条件等因素的影响，导致在成像时云层覆盖现象较为普遍，无云数据难以获取，而云的存在会产生云阴影。因此，快速有效地识别遥感影像中的云和云阴影是遥感数据处理中不可或缺的一步。传统的阈值法云/云阴影检测针对不同的传感器数据都要研究不同的云检测算法，不仅费时费力也会影响遥感影像的应用。针对这个问题，本文创新性的提出了适用于多种传感器数据的先验数据库支持的云和云阴影自动检测算法。　　云检测算法是以从高光谱、高空间分辨率遥感数据上人工选取的像元库数据作为先验数据库，包括云像元库和晴空像元库，高光谱数据源选取光谱分辨率为10nm、400-2500nm波长范围内有224个连续波段的AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)数据。根据待检测传感器的光谱响应函数等参数对高光谱像元库数据经过数据模拟得到待检测数据云和晴空地表的像元库数据。然后基于云和晴空地表的反射波谱差异通过波段运算、统计分析、重合度判断等过程自动生成待检测传感器的云检测算法。算法生成过程中将阈值在一定的取值范围内以一定的步长变化，统计随阈值变化待检测数据像元库的正确率和误判率，选取误判率低于3%时正确率最高的值为最佳阈值。并根据算法正确率对每一种单一的云检测算法进行加权合成最终的云概率结果，值越大表明其为云像元的可能性越高。　　云阴影检测算法是以8天合成的MOD09A1数据构建的真实地表反射率数据集作为先验数据库，在一定程度上可以降低复杂地表的影响。基于6S辐射传输模型模拟观测几何、大气模式、气溶胶模式等参数对表观反射率的影响，并基于这些影响因素构建表观反射率变化的查找表，获得所有晴空状况下可能出现的表观反射率的值。最后根据查找表数据用最小二乘法非线性拟合表观反射率变化的极小值作为云阴影检测的阈值，若待检测传感器数据的表观反射率仍小于极小值，则判别为云阴影。　　最后本文用多种传感器数据对云/云阴影检测算法进行验证，其中云检测算法对Landsat8 OLI(Operational Land Imager) level1T、Suomi NPP VIIRS(Visible infrared Imaging Radiometer) level1和 Terra MODIS(Moderate Resolution ImagingSpectroradiometer) level1B都取得了较好的识别结果，云的边缘和轮廓都能完整的识别出来，总体精确度达到85%以上，能够满足数据应用对云检测的需求。云阴影检测方法用Landsat8 OLI level1T数据进行了验证，结果表明具有较高的整体云阴影识别精度，能够降低复杂地表结构和大气环境的影响，对不同地表类型区域的云阴影和薄云产生的云阴影都有较高的识别效果。这两种算法简便易行、具有较高精度，并且对数据要求低、适用于多种传感器数据可实现大尺度长时间范围内云检测的业务化进行。