云是遥感气象学中重要的组成部分,在提取遥感影像中的地物信息时往往会受到云和云影的影响,一些重要的信息容易被它们所覆盖。此外云的分布情况会直接与天气变化以及自然灾害挂钩,因此云和云影的检测对于遥感影像的应用有着重要作用。遥感影像中复杂多变的背景经常会干扰云和云影的检测,导致一些传统方法在与背景颜色相近的区域出现误判现象,以及边缘信息模糊的问题。在面对碎云和薄云时,容易与地物信息混淆出现漏检现象。一方面,针对上述问题本文将云和云影的检测任务转变为基于像素级别的语义分割任务,研究云和云影的分割网络,提出了条状池化通道空间注意力网络。该网络以条状池化残差网络作为主干网络。在跨层连接处加入条状卷积模块,能进一步优化网络不同层级的特征。在上采样部分加入通道空间注意力模块能辅助网络逐层结合深层信息和浅层信息。另一方面,考虑到目前在云和云影检测任务上高精度实时性算法的稀缺问题,本文提出了能兼顾检测精度和速度的并行非对称双注意力网络。该网络的总体结构采用并行的方式设计,在网络提取上下文信息的分支中加入非对称空洞块,该模块能用少量的参数让网络在该支路获取到复合型的感受野信息。在另一条支路中加入双注意力模块,该模块同样是轻量化的设计,它能在帮助网络融合不同层级信息的同时获取到云和云影的类别权重和空间权重。最后通过实验证明,本文提出的两个网络算法在云和云影检测上都达到了预期的效果。