遥感影像中的云图检测对遥感影像的后续应用具有重要意义。目前,遥感卫星影像在农业生产、天气预报、自然灾害预测、军事科技、地理测绘、变化检测、水利交通等领域应用得越来越广泛,遥感影像中的云图检测是其后期高效利用的前提条件。近年来,随着人工智能的快速发展,基于卷积神经网络的遥感影像云图检测也开始备受关注,基于这类算法的云检测方法与传统算法相比有更强的鲁棒性以及精确性,并能在很大程度上提高检测效率。主要工作如下:1、针对遥感影像数据量大且分辨率高,导致云检测效率低的问题,提出了一种基于超像素分割与卷积神经网络的云检测算法。首先,手动挑选云与晴空图像块;接着,将RGB彩色遥感影像进行色彩空间转换,之后使用超像素的方法将遥感影像划分成以超像素为基本单位,搭建卷积神经网络,挑选最优模型,将影像输入模型得到云与晴空二分类图像。2、针对RGB彩色图像中云没有明显的颜色分布与纹理模式,导致云检测易产生误检且细节丢失严重的情况,提出一种改进的M型卷积网络模型(RM-Net),实现端到端的像素级语义分割。首先,对原始数据集进行增强,并标注对应的像素级标签;其次,利用空洞空间金字塔池化在不丢失信息的前提下提取图像多尺度特征,并结合残差单元使网络不易出现退化;最后,利用编码器模块与左路径提取图像全局上下文信息,解码器模块与右路径恢复图像空间分辨率,根据融合后的特征判别每个像元的类别概率,输入分类器进行像素级的云和非云分割。通过对Landsat8和高分一号WFV RGB彩色图像进行训练和测试,实验结果表明本方法在不同条件下可很好地检测云边缘细节,并取得较高精度的云阴影检测,证明了本方法具有较好的泛化性与鲁棒性。3、在光学高分辨率图像中,仅使用光谱特征很难将云与一些明亮的地物(如雪、白色建筑物)区分开。由于云和云阴影的光谱范围有限以及下垫面的复杂性,对于光学高分辨率图像来说,云和云阴影的准确检测具有一定的难度。因此提出了基于多尺度特征融合网络(MFFN)的检测方法。该模型主要包括Res.block模块、多尺度卷积(MCM)和多尺度特征模块(MFM),能够提取丰富的空间信息与语义信息,可对遥感影像中的云与云阴影进行像素级的检测,并能获得较为精细的云与云阴影边缘检测结果。