卫星云图云检测是各种遥感数据分析和应用的关键,但是由于某些特定类别的特征复杂度过高以及不同波段的遥感数据特征具有多种相关性,从而提高了模型对特征学习的难度。现有模型对多光谱图像特征的利用率偏低,造成云检测的偏差较大,本文在调研分析国内外学者相关研究的基础上,发现卷积神经网络对于图像特征具有非常好的学习能力,本文主要研究深度学习在卫星云图云检测的应用。在深度学习过程中,随着深度学习网络不断加深,加深的深度学习网络虽然能有效地提取特征,但训练时存在梯度消失,训练效率低,优化困难等问题。为了解决这些问题,本文采用多维密集连接卷积神经网络模型实现对多光谱卫星云图的云检测。并且从网络连接方式层面和特征通道层面,分别对密集连接卷积神经网络进行改进,针对密集连接网络冗余的密集连接方式提出加权密集连接,提升模型的训练效率。针对密集连接网络在特征通道的利用效率不高的情况,有效地结合注意力机制与密集连接卷积神经网络,使得模型对特征的利用达到极致。为了更好地提升改进的密集连接卷积神经网络模型的性能,本文采用共享存储空间的方式降低模型在训练过程中的显存,使得在有限的计算资源情况下可以训练更深的网络结构;结合改进的优化器,对学习率进行动态裁剪,进一步优化模型性能。实验结果表明,对于光谱信息复杂的云图检测的应用,基于注意力机制的密集连接卷积神经网络模型也表现良好。