云图检测分类是气象研究与应用的前提,对气象云图检测的准确率高低直接影响到后续的大气科学研究和气象预测应用。传统的浅层学习分类算法用于卫星云图检测分类时,不能很好的对卫星云图进行特征表示,存在人为先验知识偏差,模型无法实施有效的云图检测,云类别误检率很高。而深度神经网络算法在云图检测中虽然取得了较高的准确率,但是卷积神经网络在数据集数量比较少时,模型容易过拟合,而且卷积神经网络训练耗时长,随着网络层数的增多计算量也迅速上升,使得其检测速度很慢,在分类速度上无法满足气象研究和应用需求。本文分别从模型检测速度和准确率两个方面,从已有的云图检测方法中选取了两种比较有代表性的方法,与我们提出的空洞多粒度级联森林方法进行对比。其中深度极限学习机方法由于训练过程中不需要反向传播对参数进行更新,所以训练和检测很快,但是对于云图中纹理细节信息无法有效提取;而多尺度卷积神经网络在云图检测中可以有效的对特征纹理和空间信息进行提取,模型的整体准确率相比传统方法有很大提升,但是训练耗时却很长。相比这些方法,空洞多粒度级联森林方法可以很好的平衡模型速度与准确率之间的矛盾。在对卫星云图检测实验对比的结果表明,采用基于空洞多粒度级联森林方法对卫星云图进行检测,每个空洞特征窗口获得足够大的感受野的同时保留了图像内部空间信息,能充分的对云图进行特征表示,具有很好的泛化性能,模型的空洞特征划窗增加了特征向量的多样性,却降低了模型的计算量和内存消耗,模型训练和检测速度比原始的多粒度级联森林模型提升了一倍以上,同时模型所需内存也降低了二分之一左右,而且模型准确率相比原始模型有所提升,不仅在高原气候下,云与积雪密集地区可以很好的区分出云和雪之间的纹理差异;而且在亚热带平原多湖泊地区空洞多粒度级联森林也可以很好的区分出植被与湖泊。本文工作对后续的一些气象研究与应用有一定的帮助。