大多数遥感影像都受到了不同程度的云污染,云污染造成了影像信息衰减甚至丢失。遥感影像中厚云和薄云检测对云去除和气象检测中有着重要的意义。大多数现有算法都是基于规则的,这意味着它们对云的检测能力取决于特定强度阈值和针对给定卫星平台和传感器精心定制的规则。由于云的光谱非均质性以及下垫面的光谱和温度变化,云的大小、纹理、亮度、形状等都存在较大的差异。薄云呈半透明状,其光谱信息表现为下垫面和云光谱的混合,轻小的薄云在检测中易被遗漏,部分高亮的地表与厚云光谱较为相似,这给薄云和厚云的检测带来了挑战。本文围绕高分辨率遥感卫星影像的云精准检测中存在的问题,提出一种基于多尺度深度特征的高分辨率遥感影像云检测方法,该方法将遥感影像分为厚云、薄云和无云像元。深度学习中进行上下文结合时,由于浅层特征图往往感受野较小,容易造成部分轻小的薄云被漏检。因此,在浅层特征图与深层特征图进行上下文信息结合时,本文方法设计了顾及感受野的跳跃连接结构,该结构同时考虑了特征图的感受野和不同特征图的重要性。同时为了实现对不同大小云的检测,设计多尺度模块提取厚云和薄云的多尺度全局特征。此外,薄云由于其光谱的复杂性一直以来都是云检测上的难题。根据云的空间分布,薄云一般处于厚云和无云之间,薄云的像元的概率分布总是表现为某两类概率值较为接近。因此,针对薄云更难检测这一问题,本文基于云的空间分布特性提出了薄云检测优化模块。在对比实验中,将本论文方法与SVM、FCN-8s、U-net和MFCNN进行对比,在无需任何先验信息的情况下,本文方法不仅将厚云的F1＿score提高了1.78%,同时薄云的F1＿score也提高了3.58%,在云区和整个影像中都具有最好的检测效果。在本文模型的消融实验中,证明各个模块都能有效的提高云检测的精度。