当前,高空间分辨率遥感数据已成为地物目标识别和分类的主要数据源,其处理趋向于计算机自动化、智能化。云作为正常的自然现象,影像获取时难以完全避免,云本体及其阴影的存在影响了成像,遮挡了地物信息,导致部分成像信息丢失,从而对影像匹配、影像镶嵌和地物的识别等产生极大地干扰。高分影像的空间分辨率高,云的影响更为明显,因此,高分影像的应用中云的自动检测一直是数据处理的重要过程。学者们针对遥感影像云检测做了大量的工作,然而,目前大多数算法根据特定的波普特性制定相应的算法,只能处理多波段（四个以上）影像,对于少波段影像并不适用,且难以有效提取云过渡区域和去除类云地物。针对上述问题,本文提出三种具有较强普适性的云检测算法。（1）基于多阈值联合的云本体检测算法通过分析发现根据有云和无云影像直方图的差异可以区分影像是否有云,生成梯度影像并与灰度影像按照一定的权重相加,增强云区域的边缘灰度值。并且联合大津法和多项式拟合阈值法,不仅能够提高云边缘的检测效果,而且当影像中含有少量云时也可以有效地检测云区域。最后利用云在红、绿、蓝三个波段的光谱特征对云检测结果进行进一步判别,提高云检测精度。（2）基于自适应区域生长的云过渡区检测算法通过分析云过渡区域灰度特征,发现云过渡区域的灰度值由内向外表现为缓慢减小的趋势。因此,利用该特征可以构建边界判别标准,并且采用区域生长算法由内向外地对每块云初始检测区域进行生长,从而能够更加完整的检测云区域,实现云过渡区域的自动检测。（3）基于梯度均值的类云地物去除算法通过分析云与类云地物,如、冰、雪、高光建筑物色彩特征和纹理特征的差异,发现云与类云地物过渡区域的灰度值存在明显差异,云过渡区域的灰度值逐渐减小而类云地物则急剧变小。因此,云和类云地物过渡区域灰度值相差较大。根据该特征可以构建阈值判别标准,从而实现云与类云地物的区分,降低云检测的误检率。本文选用高分一号（GF1）、资源三号（ZY3）和天绘一号（TH1）高分辨率遥感影像数据进行实验,所选择的影像涉及多种地表类型,包括平坦的裸地、大型水域、雪及山区等,同时具有不同的纹理特征,包括少云影像和多云影像,有很大的光照差异和场景变化。通过对本文算法与经典的大津法（Otsu）阈值算法、树状结构云检测算法和人工经验提取结果进行对比,实验结果表明本文算法能够快速、高正确率的检测出云区域,而且能够检测云过渡区并去除部分类云地物。