遥感影像中的云与云阴影检测是遥感影像处理的关键,检测结果的准确性直接影响后续遥感影像的应用,具有重要的研究意义。近年来,随着人工智能技术的不断发展,基于卷积神经网络的遥感影像云与云阴影检测方法备受关注。相较于传统方法,基于卷积神经网络的方法可以实现更高的检测精度以及更好的鲁棒性,同时降低算法复杂度,极大提高检测的效率。本研究针对云与云阴影检测的不同应用场景,以卷积神经网络为基础,实现高精度、轻量化检测。主要研究内容及创新点如下:1.针对RGB彩色遥感影像中,云像元没有明显的纹理特征,容易产生误检。提出一种基于双注意力机制的卷积神经网络模型（RDANet）,将双注意力机制应用于云与云阴影检测领域。引入双注意力模块,有效捕获全局特征依赖关系。使用递归残差模块避免深层网络出现退化,结合改进空洞空间金字塔池化模块,在不改变特征图大小的前提下提取图像的多尺度特征。对高分一号WFV（Wide Field of View）遥感影像数据集进行训练和测试,实验结果表明,本方法有效提高云与云阴影检测的精度,在复杂条件下仍能获得较好的云与云阴影边缘细节。2.针对小面积云块、薄云和云阴影检测难度较大的问题。提出一种基于上下文信息融合的卷积神经网络模型（CIFNet）,提高对上下文信息提取及融合的能力,实现对高分一号WFV遥感影像云与云阴影的精准检测。设计一种残差模块来捕获全局及局部特征,并防止网络出现退化。设计一种全局上下文融合模块,通过密集的跳跃连接来融合不同层级的全局上下文信息并引导其与解码器路径特征进行特征融合。最后,设计一种多尺度上下文融合模块来提取云与云阴影之间的多尺度上下文关系。实验结果表明,本方法可以有效检测小面积云块及薄云,并显著提高云阴影检测的精度。3.针对微小卫星的有效载荷及硬件系统算力有限的问题,且现有方法算力需求较高,限制微小卫星在轨云检测的应用。提出一种基于深度可分离卷积的轻量化卷积神经网络模型（L-MNet）,该模型在M-Net网络模型的基础上进行改进,引入深度可分离卷积,设计一种深度可分离卷积模块以减小算法的复杂度及计算量。实验结果表明,本方法在确保检测准确度的前提下,能够合理减小模型的尺寸及参数量,有助于实现微小卫星在轨云检测的任务。