云通常和各种天气现象密切相关。地球上平均有1/3到1/2的地区覆盖着云层。云是天气过程的重要扮演者。近年来，随着数字化卫星云图资料的出现，对卫星云图进行定量分析已成为各国研究者的热点和发展方向，其中云的识别是卫星云图分析的重要内容，而云分类更是卫星云图分析与应用的难点。　　 分类是人们获取信息的重要手段。传统的分类算法用于遥感图像云分类时，由于遥感数据的高维性和样本不足的问题，容易导致处理规模过于庞大、分析过程比较复杂以及陷入局部极小点等问题。而支持向量机（SVM），是在统计学习理论框架下产生的一种学习方法，可以有效的解决数据高维性的问题。而云模型把事物概念中的模糊性和随机性集成在一起，构成定性和定量相互的映射，把概念表示成一朵可伸缩、无边沿、有弹性、近视无边、远观像云的一对多的数学映射图像，与自然现象中的云有着相似的不确定性，所以本文针对遥感云图数据的特性，结合了SVM的权重向量，把云理论的云模型、云发生器、正态云、云变换等概念天然拟合在云分类的应用研究上，主要内容和创新点如下：　　 1、详细的描述了云分类研究的历史和现状，深入的剖析了云分类问题的研究方法。　　 2、分析了遥感云图的特性和分类理论，阐述了遥感云分类存在的问题；指出传统方法用于遥感图像云分类时存在的弊端，并给出了支持向量机和云模型分类器进行遥感云分类的优势。　　 3、系统研究了支持向量机的学习过程，详细说明了支持向量机在学习性能上的特点和优点，用三个实验说明了支持向量机的核函数和参数模型都难于确定的缺陷是它在云分类的应用上的最大“瓶颈”。文章还全面介绍了云理论的重要概念以及云理论在云分类应用中有着天然拟合的优点。　　 4、基于遥感云图的特性，以及随着高分辨率的遥感数据的广泛应用，导致了云样本难于获得和云数据维数增高，使得传统的云分类方法渐渐失去良好分类能力。为了降低云数据的数据复杂度，又能找到对分类贡献程度大的特征集，本文提出了一种基于SVM权重向量的特征选择方法。　　 5、结合云理论建立了基于SVM权重向量的云分类器。采用云模型建立训练集的各属性模型，分类模型由属性模型集成得到，属性权重根据SVM权重向量得到，属性权重越大，其对分类的贡献越大；反之，越小。将新分类器与云模型分类器对积雨云、卷云和卷层云做分类模拟实验，新分类器的分类准确度比后者总体提升了，经过交叉验证，结果表明新分类器性能稳定。