探测位于大气中不同高度的云对卫星遥感的应用非常有意义。依赖不同遥感数据的云检测系统各有优劣,比如基于可见光数据的算法虽然有较高的云检测精度,但难以检测到薄云以及夜空中的云。而基于红外数据的算法虽对云有较高的敏感度,但由于其易受背景场和解析度的影响导致利用红外数据进行云检测一直是一个具有挑战性的工作。本文依托美国Suomi国家极地轨道伙伴卫星上(SNPP)搭载的交叉轨道红外探测器(CrIS)和可见光红外成像辐射计套件(VIIRS)两种仪器数据,提出了一种利用CrIS物理特征计算云检测指标并与三种机器学习算法相结合的云检测方法。在2017年一种利用SNPP CrIS仪器的通道特性求解云检测指标的方法被提出,并被证明可以较好地检测薄云的存在。但是其方法只是利用了部分红外频道且只能定性表征云的存在,没有进行量化分析。本文在此方法基础上进行了探究,设计出一套能够定量检测云的方法,具体研究内容如下:根据SNPP CrIS全频段通道的特性,本文设计了一种利用全频段通道进行两两配对的方法,进而挑选出能用于云检测的通道对。另外为了消除地表、日照等背景场对红外数据的影响,本文还提出分区分时处理的方法,在各个区域内利用通道对所采集的亮温值来计算全频段云检测指标(FCDI)。为了实现FCDI和机器学习的结合,本文提出了一种利用VIIRS云产品(CP)的检测结果为CrIS数据贴注云标签的方法。VIIRS CP是一个基于VIIRS数据的云检测产品,其由于拥有较高的检测精度而被广泛应用。在机器学习方法中,本文选择极限学习机(ELM)、支持向量机(SVM)以及多层感知器(MLP)等三种分类器对FCDI进行二值分类。并对分类结果进行量化分析与优化。目前实验结果表明,FCDI云检测方法在测试集中的检测准确率达到78%左右。并通过统计发现,在假阳性样本中有50%左右的样本存在相当量的水汽和冰,表明这部分样本并不满足晴空大气的条件。也即其中可能包含一些无法被可见光仪器有效识别的光学薄云,所以实际的云检测准确率高于78%。经过本文的探究,验证了利用FCDI进行云检测的可行性以及该方法所具备的优点,为以后利用红外数据进行云检测提供了一个新的思路。