云是辐射平衡和水汽循环的重要组成部分,云检测及其移动预测任务对业务预报和灾害预警十分重要。然而,云的边界模糊且纹理复杂,传统算法无法自动准确获取云状、云量等相关信息。与传统算法相比,深度学习方法在上述任务的准确率和计算效率更高。但是,现有云检测模型数据量少,泛化能力差;云移动预测模型长距离预测不够准确。为了改进上述缺点,本文从云检测和云移动预测两个方面展开研究,相关研究内容及成果如下:（1）针对云检测问题,本文建立了一个新的地基云检测（GBCS）数据集,包含1742幅准确标记的地基云图,数据来自Data Fountain竞赛天气识别赛道及互联网。选择了12个主流的语义分割网络使用GBCS进行训练,最终DeepLabV3+的表现优于其他网络。由于数据量的匮乏,通过引入迁移学习提出了新模型TL-DeepLabV3+,使用DeepLabV3+在PASCAL VOC 2012数据集上预训练的权重,随后将参数迁移至GBCS数据集中重新训练。结果表明TL-DeepLabV3+表现出很强的云检测能力,在GBCS测试集中平均交并比（MIo U）为91.05%。此外,使用UTILITY数据集和CCSN数据集中进一步验证了TL-DeepLabV3+的泛化能力。相比于传统云检测方法和深度学习方法,TL-DeepLabV3+的云检测能力及泛化能力有较大改进。（2）针对云移动预测问题,本文使用Himawari-8卫星数据制作时空序列数据集。本文将生成对抗网络（GAN）结合主流时序预测模型提出了新模型PredGAN。GAN的引入让PredGAN学习到更真实的数据分布和更强的表达能力。试验结果表明,PredGAN的预测效果优于其他模型,对于长距离预测,PredGAN的预测图像仍能维持较高的准确率,并且没有出现明显的模糊现象。最后,将PredGAN用于研究时间范围外的强对流天气个例,证明其泛化能力较强,能够准确预测200分钟后的红外云图,预报时效较传统方法有所提升,对短临预报工作具有重要意义。