卫星技术的飞速发展使遥感技术在气象研究和应用中扮演着非常重要的角色。遥感影像获取过程中,受云雾干扰等因素的影响,造成原始物体的光谱失真,影响遥感产品和影像的判读,对信息提取造成很大的影响。有效的区分出遥感影像中的有云像素和无云像素,对于气象预报、生态环境监测,气象灾害的预防等方面都有积极的作用,因此遥感影像的云检测变得非常重要。本文对云检测的相关方法进行了研究,主要贡献包括以下部分:(1)针对FY-2G影像的特点,提出了一种基于集成阈值和随机森林的遥感图像云检测方法。该方法首先对FY-2G影像的红外通道1和可见光通道分别进行10种阈值方法二值化,通过投票法得到二值化图像;其次将两个通道的二值化图像进行合并形成集成阈值图像;再将集成阈值图像的中间部分和国家气象卫星中心(NSMC)云检测结果图像的上下端部分作为随机森林的样本采集源数据。训练样本只依赖于一个时刻的源图像数据,将训练好的随机森林模型应用于其他时刻的影像,得到最终的云检测结果。该方法在FY-2G影像上表现良好,它可以有效地标记NSMC云检测产品中的误检和漏检区域。最后将手工标记的结果与NSMC云检测结果以及各个方法的云检测结果进行算法的精度检验。云检测精度检验结果显示本方法的云检测平均命中率(POD)比NSMC云检测以及其他方法云检测结果高,最低误报率(FAR)比NSMC云检测以及其他方法低,最高临界成功指数(CSI)比NSMC云检测以及其他方法高。各项指标表明,该方法能有效地提高云检测的正确率,正确识别NSMC中的一些误判,提高了遥感影像的利用率。(2)提出了一种基于连通区域抠图的云检测方法。该方法首先对影像的灰度图像进行多种阈值方法二值化,通过投票法集成得到初步二分图;其次在二分图基础上求取连通区域,剔除比较小的连通区域,以连通区域的重心为种子点,生成连通区域三分图;再引入权重因子,采用改进最小二乘法求解局部线性关系,得到拉普拉斯矩阵;最后使用共轭梯度法求解alpha值。并将该方法与基于学习的抠图算法和鲁棒性抠图算法进行比较。比较结果表明,该方法在FY-2G、Landsat8以及Sentinal-2A影像的云检测结果中表现良好,相比基于学习的抠图算法和鲁棒性抠图算法性能较好。(3)建立云检测图像数据集,数据集在深度学习算法的研究中起着重要的作用。本文为了更好的检测出云,使用FY-2G的影像数据作为原始数据,建立了FY-2G图像语义分割的数据集。图像数据为二分类图像,该图像由NSMC的云检测结果边缘部分和集成阈值随机森林云检测结果的中间部分构成。根据FY-2G影像的多波段特性,准备了4种不同波段组合的样本。即,样本1:IR1、IR2和IR4波段;样本2:IR1、IR3和IR5波段;样本3:将IR1、IR2、IR3、IR4波段使用PCA预选前3个波段;样本4:将IR1,IR2,IR3,IR4,VIS波段使用PCA预选前3个波段。该方法使用Deeplab V3+网络训练不同波段组合的训练样本,来比较测试结果的差异性。实验结果表明:使用Deeplab V3+网络训练得到的云检测结果中,样本3的云检测正确率最高,达到95.1%-97.5%。方差在0.17%-0.51%之间波动,说明本方法使用样本3的云检测效果较好且比较稳定。