近年来,随着我国资源系列和高分系列对地观测卫星的成功部署和运营,我国实现了高空间分辨率、高光谱分辨率、高时相分辨率的对地观测网络。然而,地球表面上空有接近60%的区域被云层覆盖,卫星传感器所获取的光学影像不可避免的受到云层污染。云层遮挡导致卫星遥感影像质量降低,并影响后续遥感产品精度。因此,快速、准确地检测遥感影像云量覆盖信息,对于提高卫星遥感影像质量和利用率具有十分重要的意义。本文以国产光学卫星遥感影像数据为研究对象,探索了监督学习与无监督学习技术途径,实现了遥感影像云检测的快速准确检测,技术应用于自然资源部“自然资源卫星遥感云服务”平台。本文主要研究内容包括以下四个方面:1.提出了基于多尺度特征提取和目标边缘优化的遥感影像云检测方法。针对遥感影像目标地物的高度复杂性和传统手工特征缺乏辨识度的问题,在有监督学习框架下,本文提出了一种面向多尺度和全局上下文信息提取的特征金字塔模块,提高了目标对象区域的识别精度;引入了边界细化模块,优化了初始分割对象的边界定位精度;设计了编码-解码的网络框架,融合了不同抽象级别的特征,提高了云检测结果的准确性。实验表明,所提出的方法在国产ZY-3卫星影像数据集上取得了出色的云检测结果,获得了85.61%的MIo U精度。2.提出了基于自适应特征融合和高级语义信息修复的遥感影像云检测方法。针对云雪共存影像云覆盖区域难以识别检测的问题,本文在有监督学习框架下提出了一种自适应特征融合模块,优化不同抽象级别的特征融合过程,提高了特征融合的效率;同时引入了高级语义信息指导流,修复了解码端各层稀释的高级语义信息,使每一层的特征图能够感知云的位置,从而提高云的检测精度。实验表明,所提出的方法在国产ZY-3卫星影像云、雪覆盖区域的数据集上取得了出色的云检测结果,获得了85.88%的MIo U精度。3.提出了基于分组特征对齐和熵最小化的无监督域自适应云检测方法。针对视觉外观的迁移无法真正意义上地减少跨卫星数据之间的分布差异问题,本文提出了一种特征级和输出级领域自适应的无监督学习云检测方法。所提方法分别通过分组特征对齐和熵最小化域自适应来减小有标签卫星数据集（源域）和无标签卫星数据集（目标域）的分布差异,从而有效地将在源域卫星数据上训练的模型迁移到目标域卫星数据的云检测任务中。实验表明,所提出的方法在国产ZY-3卫星影像数据集上取得了较好的云检测结果,在“GF-1→ZY-3”领域自适应任务中获得了高达82.73%的MIo U精度。4.提出了基于细粒度类相关特征对齐的无监督域自适应云检测方法。针对现有方法难以有效对齐不同域之间的特征分布的问题,本文提出了一种细粒度特征对齐方法。所提方法首先通过注意力引导的类相关特征选择机制获取源域和目标域的局部类相关的特征,然后基于分组特征对齐域自适应方法对所获取的局部类相关特征进行分布对齐,以有效地减小有标签卫星数据集（源域）与无标签卫星数据集（目标域）之间的域分布差异,从而提高源域数据训练的云检测模型在目标域数据上的泛化能力。实验表明,所提出的方法在国产ZY-3卫星影像数据集上取得了令人满意的云检测结果,在“GF-1→ZY-3”领域自适应任务中获得了高达83.09%的MIo U精度。