不同的云型反映了不同的大气情况及发展变化,预示着未来的天气变化过程,例如直展云通常与危害性天气相关。气象卫星具有时间连续、空间分辨率高、覆盖范围广等优点,可提供更多光谱信息。因此,自动识别卫星云图是遥感领域的研究热点之一。早期的云分类方法都以光谱通道的特征数据为主进行云分类。然而,仅使用光谱特征对卫星云图分类时,存在不同云类的光谱特征相同、同一云类光谱特征不同的问题,分类效果不太理想。考虑使用卷积神经网络（Convolutional Neural Network,CNN）网络自动提取空谱联合信息的特征并分类,然后对比经典云分类算法结合谱信息的云图分类结果,验证卫星云图空谱联合的有效性。此外,为了充分利用云图的空谱联合信息,本文构建一种CNN-LSTM网络云分类模型,并将分类结果与其他网络模型的分类结果进行分析。本文进行卫星云图云分类方法研究的工作内容如下:（1）首先通过研究葵花-8卫星各个光谱通道的物理特性,介绍云的类型,以及在各个光谱通道云图上不同云类的表现,确定云分类方案,针对点云选取合适的光谱特征,再联合点云7*7邻域的空间特征,建立空-谱特征联合的云样本库。（2）基于CNN网络的分类原理,分析模型在提取空间特征的优势。构建适用于卫星云图样本库的CNN网络对空谱信息联合的卫星云图进行分类。并对比经典云分类方法应用于单谱信息的卫星云图分类,验证空谱信息结合的有效性。（3）剖析CNN网络云分类结果的不足之处,发现存在不同云类空间结构相似时出现误判的情况。为此构建CNN-LSTM网络分类模型,对空谱联合信息的卫星云图进行多角度特征联合分类,提供更多有效分类信息。解决了云块空间结构相似导致误判的问题,从而提升云分类性能。且该模型在卫星观测资料的分类中有应用前景。