光学卫星影像作为对地观测的重要数据来源,在地理国情监测、环境保护等方面广泛应用,但其容易受到云的影响。遥感影像上的云及其阴影的存在造成了地物信息模糊或丢失,影响了信息获取的准确性和全面性,降低了影像的利用率,因此遥感影像云和云阴影的检测是进行影像后续处理和应用的重要前提。随着在轨遥感卫星数量增加,多源遥感影像的应用需求对云和云阴影检测通用性提出了较高的要求。鉴于基于影像光谱阈值、纹理特征等传统检测方法的局限性,通过重点分析基于深度学习的云和云阴影检测取得的研究成果可知:在目前利用深度学习进行云和云阴影检测主要分为两大类,一是基于深度学习的云检测研究,即利用深度学习解决二分类问题;二是基于深度学习的云和云阴影检测的研究,即利用深度学习处理多分类问题。本文分别进行基于深度学习的云检测和基于深度学习的云和云阴影检测的研究,主要内容以及取得的研究成果如下:（1）通过分析云和云阴影在影像上与下垫面地表的表现特征,进行卷积神经网络波段输入数量的确定;并利用相区别的特征作为云和下垫面分类的判据,借助易康软件进行面向对象的云掩膜提取。（2）针对模型参数量和计算量较大,对算力要求较高的问题,提出利用深度可分离卷积和注意力机制的云检测网络。所设计的基于编码-解码架构的全卷积神经网络,在编码端利用SE Block和Inception组合结构进行特征提取,在进行多尺度特征提取的基础上降低干扰信息的提取,使所提取的特征尽可能有用;同时利用GC block模块所提取的各级特征参与影像恢复,整个模型中所有的3×3卷积运算和下采样均为深度可分离卷积。实验结果表明,所提出的方法在极大减少计算量和参数量的同时,保证了较好的检测精度,且具备一定的泛化性能,但其在含有积雪的影像中易产生错检。（3）为了降低在积雪场景下的误检,提出了结合空洞卷积的多尺度特征融合网络进行云和云阴影检测,利用并行空洞卷积和特征融合模块实现特征的提取和融合。通过将经典算法分别应用于云检测及云和云阴影检测实验结果对比可知,相较于云检测,实现云和云阴影的检测具有一定的挑战性,且云阴影检测相较于云检测有一定的困难性;各算法在云和云阴影数据集上可视化结果可知,本章所提出的方法在一定程度上减少了对积雪的误检,在以裸地、高亮建筑等复杂地表表现出一定的优势。该论文有图35幅,表12个,参考文献97篇。