通过卫星云图人们可以获取不同的云型信息,其中对流云极易产生强对流灾害性天气,影响航空安全飞行,严重时对人们的生活与生命造成不可挽回的后果。目前以人工经验判断为主的手段主观性强且效率低。因此,本文提出了一种改进的SSD目标检测算法,能高效且较准确地检测对流云,对天气预测以及航空安全飞行等有实际意义。本文以检测速度和精度综合表现较好的SSD模型为基础算法,利用VOC公共数据集对模型的检测能力进行测试,针对其不足提出了三种改进策略,然后把改进的SSD模型应用于卫星云图中对流云的检测,将其命名为clouddetection模型。针对SSD模型分层预测时用于预测的特征图没有再利用的问题,本文采用特征融合方法改善网络结构,通过特征连接和对应元素相加两种方式实现conv43和fc7层的融合,然后在融合层上生成新的特征金字塔进行多尺度检测,以此增加模型特征层之间的联系,充分利用不同网络层的特征信息,从而提高检测准确率。针对模型靠前层的小目标特征明显但语义信息较少的问题,本文在上一改进后加入特征增强模块,该模块在参考多分支卷积和残差网络思想的基础上,引入了扩张卷积层来拓展靠前层特征的感受野,使得网络学习到的特征信息更丰富,提高检测精度的同时降低小目标的漏检。针对SSD网络中的在线困难样本挖掘机制剔除了易分样本,使得易分样本无法进一步提升训练效果的问题,本文去除原来的在线困难样本挖掘机制,利用焦点损失函数来平衡正负样本数量,增强模型背景分辨能力的同时降低漏检率。由于没有公开的卫星云图数据集,本文选取风云二号卫星红外云图,自建数据集记为fycloud,对其进行编号、标记、分组等处理后训练并测试模型。实验结果表明,clouddetection模型在fycloud数据集中的准确率相比SSD模型提高了 16.02%。通过各个时段的卫星云图识别结果来看,对流云整体检测结果较好,漏检率和误检率均较低。