在光学遥感中,云作为一种广泛存在的物体是影响地物分析及遥感影像特征提取精度的重要因素,并对遥感图像下传数据的有效率产生较大影响。在Landsat 5和7的图像中云覆盖率可达40%,较高的云覆盖率会显著降低遥感数据的准确性和应用价值,因此提高云检测精度对遥感影像的应用有重要的现实意义。而由于卫星数据传输的时间窗口只有5到10分钟,所以在卫星下传数据前对数据进行云检测预处理能够提高遥感图像的质量及传输效率。随着遥感技术的不断发展,卫星设计出现小型化的趋势,限制了电子系统的算力和功耗,因此算力需求低的轻量化云检测模型十分必要。本课题针对云检测的不同应用场景,以语义分割为基础,结合深度学习技术开展云检测的研究,分别实现了高精度及轻量化两种云检测方法。本文主要研究内容及创新点包括以下两个方面:1.针对传统方法需要人工选取特征及无法端到端检测的问题,提出了一种基于深度残差全卷积网络的高精度云检测方法,能够实现对遥感影像云层目标像素级别的分割。该方法通过残差模块加深网络,提高网络表达能力。首先,编码器通过残差模块的不断下采样提取图像深层特征;然后,应用双线性插值进行上采样,结合多层次编码后的图像特征完成解码;最后,将解码后的特征图与输入图像融合后再次进行卷积,实现端到端的云检测。该方法的像素精度在Landsat 8云覆盖评价数据集达到93.33%,较原U-Net模型提高了2.29%,较传统方法Otsu算法提高了7.78%,实现了高精度端到端云检测;2.针对深度学习网络模型算力需求大难以在移动端或嵌入式平台实现的问题,提出了一种基于深度可分离卷积的轻量化网络,以降低像素级云检测方法的模型大小及运算量。该网络通过深度可分离卷积降低编码器及解码器的运算量,并使用有步长的深度可分离卷积代替最大池化以降低下采样带来的特征图信息损失。编码器不断对图像下采样得到不同尺度的特征图,解码器结合编码器的多尺度特征对图像进行还原,最终实现轻量级网络的端到端云检测。该方法像素精度超过90%,模型参数量及浮点运算数分别为原U-Net模型的12.4%及12.8%,在CPU上的推断速度约为原U-Net模型的5倍。研究结果表明,基于残差网络的U-Net云检测模型具有检测精度高、误检少的优势,能够提供高精度的云检测结果;基于深度可分离卷积的轻量化云检测模型在检测精度只有小幅下降的前提下,降低了网络模型的参数量和运算量,提高了网络推断速度。