随着对地观测技术的快速发展,遥感影像的获取正变得越来越容易,每天都有大量新的遥感图像数据生成,而这些图像如今在大量领域中都得到了广泛应用。国际卫星云气候计划(ISCCP,International Satellite Cloud Climatology Project)的统计数据显示,地球表面平均有66.7%的区域被云层覆盖,在有云的情景下,遥感卫星拍摄到的地面图像会受到云层遮挡的影响。云层对遥感图像拍摄区域的遮挡,不仅会导致图像中的可用信息缺失,还会影响大气参数反演、目标检测、地物的分类与识别、大气校正、气溶胶反演、立体匹配,以及叶面积指数(LAI,Leaf Area Index)、FAPAR(The Fraction of Absorbed Photosynthetically Active Radiation,光合有效辐射吸收系数)、NPP(Net Primary Productivity,植被净初级生产力)等生物物理参数的估算,也会给影像的配准、融合等后续处理造成诸多影响,所以我们需要对遥感图像中的云做准确的识别与分割。传统的基于光谱特性的云检测算法需要待检测的遥感图像包含大量的特定波段,算法的普适性不强,无法应用于各类遥感图像,云与地面物体种类繁多,很多类型的下垫面在光谱特性上与云极为相似,不同类型的云与各类地面目标的纹理也多种多样。因此,我们有必要对云和地面物体的特性进行研究。遥感图像的云检测问题有多种基本的解决思路,其中一种针对高分辨率遥感图像的典型思路是将云检测的过程视为对图像进行语义分割。本文第三章提出了一种有效的自动云检测方法,首先利用色彩特征提取遥感图像中的高反射率目标,然后在多尺度图像分解技术的基础上,结合边缘保持滤波器中的域变换滤波进行纹理提取,再对利用色彩与纹理特征特征所得的结果中的边缘进行更精细的分割,去除形状规则的人造建筑物以及其他非云区域,实现了一种有效的自动云检测方法。在此基础上,本文在第四章又结合U-Net全卷积图像语义分割网络对该方法进行了改进。通过实验对比,证明了本文所提出的两种算法均具有较好的检测性能。