云观测是气象观测工作中十分基础也十分重要的一个方面。云观测对当时天气系统的观测具有很强的指导意义,同时云的变化趋势也是预测未来天气的一项重要指标。随着科学技术的进步,云的观测逐步由人工观测向计算机智能化观测发展。在目前智能化观测领域中,主要的技术有卫星云图观测和地基站点云观测等。卫星云图观测比较适合描述大范围的云层信息和变化,而地基站点云观测则能更好地反映局部地区的云类信息和发展趋势。地基站点云观测还具有成本低、易操作、简单直观等优势,所以目前地基站点云观测在天气系统观测中发挥着越来越重要的作用。但是目前地基云观测工作主要由气象工作者人工完成,这项工作往往需要花费大量的时间和精力,而且容易受到观测经验不足等因素的制约而导致结果不准确。在以往地基云智能分类研究的基础上,论文提出了一种自动化的地基云分类方案,能较好地克服人工分类观测的弊端,提高观测效率,从长远角度出发,这种自动化观测必将成为未来气象观测的一部分。研究的主要内容和具体工作如下：(1)分析研究目前国内外云分类资料,发现在地基云分类识别的研究中普遍存在分类识别率不高、针对性不强等不足。在获得了地基云图样本之后,分析了锐化、灰度化等基本的图像处理技术在实验中的应用。然后研究比对了一些常用的纹理特征提取方法,发现各方案都存在一定程度的不足。(2)通过对地基云图纹理特征提取方案的研究,选用了Gabor滤波器作为纹理特征提取方案,解决了纹理特征提取的问题。通过纹理特征提取,可以将图像数据转换成特征数据,并将纹理特征数据应用于地基云分类识别过程中。在研究了神经网络的基础上,选用了应用最广泛的BP神经网络作为分类器。针对BP神经网络存在的一些不足,讨论并选用了相关的优化方案,为将优化的BP神经网络应用于地基云分类奠定基础。(3)在研究了纹理特征提取方案和分类识别技术的基础上,设计并实现了基于优化BP神经网络的地基云图分类器,解决了地基云分类的问题。实验针对浓积云、雨层云、堡状高积云、荚状高积云、毛卷层云这五种常见的云类进行分类识别。根据实验的结果,作了进一步的优化和调整,提出了改进型二阶分类器。分类结果具有较高的准确率,解决了原先分类器准确率较低的不足。实验结果表明该方案能有效的提高分类正确率,具有良好的分类性能。