云作为一种重要的气象要素,在过去的几十年中已经得到了广泛的研究与应用。由于云在天空中随着时间的推移和光照的变化,云图的形状特征会发生改变,准确的分割云图仍然是一个具有挑战性的任务。传统的云图分割算法对参数的选取较为敏感,缺乏鲁棒性,且当图像的前景与背景较为复杂时,需要研究人员做大量的特征工程才能取得较好的结果。因此基于形状先验的经典图像分割方法不适合应用在云图分割领域。本文在分析国内外学者相关研究的基础上,发现卷积神经网络具有很好的特征提取能力,并且能够胜任复杂的图像语义分割任务,因此本文主要研究深度学习算法在云图分割任务上的应用。为了提高云图分割的精度,本文提出一种对称式密集连接卷积神经网络的云图分割方法进行地基云图分割研究。首先采用普通卷积层提取地基云图特征,然后使用连续的密集连接块和上采样模块对特征图进一步处理,最后采用并联特征方式融合网络浅层和网络深层的特征图从而实现对地基云图精确的分割。为了能够更好的在实际应用中使用基于深度学习的云图分割算法,本文改进的网络模型采用轻量级骨干网络、多级特征复用融合模块以及多尺度加权损失函数,在保持模型优秀的云图分割能力的情况下,提升了模型的预测速度。实验结果表明,本文提出的云图分割模型在云图分割任务上具有良好的表现。