遥感卫星是人们探测地球、感知地球的重要手段,光学遥感卫星获取的卫星影像能够直观地反映地表的各类信息,为国情普查、城市规划、农业调查、环境保护等提供信息支撑和保障。但是卫星采集的数据并非都能满足要求,其中一个主要的原因是云层的遮挡。在卫星地面应用系统预处理阶段,需要进行表观质量检测,计算每景影像云含量。在卫星影像实际应用中,需要精准剔除影像中的含云区域。因此准确地在影像上检测识别出云成为了光学遥感影像图像处理的必要过程。大部分光学遥感卫星具有摄影范围广、更新速度快的特点,但受限于卫星较少的波段数量和较窄的波谱范围,以及云层形态、纹理、亮度的复杂变化和地表高亮物体的影响,导致卫星影像产品的自动云检测始终存在一定的问题。基于上述背景,本文聚焦研究在较少波谱信息的单景遥感影像上快速、准确地云检测问题。主要工作概括如下:1、针对缺少高分辨率影像云检测数据集的问题,设计了面向对象的云掩膜提取方法并用于数据集构建。通过研究面向对象的遥感影像云层信息提取技术,并分析薄云、厚云、裸露地表、冰雪等对象在影像上的特征表现,来构建云检测知识库。在e Cognition平台上使用多尺度分割算法对不同下垫面的天绘一号卫星多光谱影像进行对象分割,然后利用最邻近分类法进行对象分类获得初始检测结果,而后结合人工分类编辑完成云掩膜图修正,最后根据数据集制作标准构建了云检测数据集。2、针对传统方法难以有效区分云和雪的问题,研究了基于深度学习的语义分割技术,并将其应用于遥感影像云和雪的检测。在Tensor Flow深度学习平台上,使用云检测数据集进行FCN、Seg Net、Deeplab等深度学习语义分割网络的训练实验,获得了云检测模型。实验结果表明,本文所构建的数据集可用于深度学习云检测模型的训练,训练模型能够区分影像中的云层、冰雪和裸露地面。3、设计了基于深度学习的单景多光谱影像云检测方法,并基于Py Qt5开发平台设计实现了天绘一号卫星多光谱影像云检测系统。该系统集成了数据集制作、基于深度学习的云检测模型训练、单景多光谱影像云检测、检测结果显示等功能模块,并在linux系统上实现了模型训练和效果显示的自动化和可视化。开展了天绘一号卫星多光谱影像云检测系统与天绘e Cognition云判系统对比实验,实验表明,基于深度学习的单景多光谱影像云检测方法相较于面向对象的方法,具有较快的检测速度,云检测正确率较高,在无薄云影响的影像上具有区分云和雪的能力。