云在天气气候中扮演着重要的角色,云的时空分布和微物理特征对全球辐射能量平衡等都有重要影响。随着气象卫星的不断发展和改进,使用卫星对地球大气进行观测已经成为研究地球大气最为重要的手段之一。新一代静止气象卫星的入轨运行使得国内外研究学者可以对地球的某一区域进行长时间高时空分辨率的观测。其中,云掩膜（云检测）产品作为卫星遥感基础,是下游定量应用中最基础的产品之一。本论文研发了基于机器学习的卫星光谱成像仪云检测算法,用于葵花8号地球同步卫星上的Advanced Himawari Imager（AHI）观测数据的像素识别。本论文使用与星载激光雷达（CALIOP）时空相匹配的雷达主动观测数据给出准确的算法研发和验证参考标签。针对有、无太阳反射通道的观测信息分别开发了用于日间和夜间的算法,并系统对比了人工神经网络和随机森林算法对云识别的效果。为更加合理的获取不同地表类型下云检测结果,我们系统对比了三种不同的地表类型处理方案（简称为独立模型方案、单一参数化方案、多参数方案）,并发现通过更合理的处理地表特征（使用多参数表征方案）可以使云检测的准确度提高～3%。使用独立的CALIOP云产品结果作为验证,我们的机器学习日间算法优于目前的AHI官方产品,基于随机森林的算法将云像素检测精度提高了5%,达到94%。仅采用红外观测数据的夜间算法也相当稳定,云和晴空像元检测的精度均在87%左右。目前AHI云识别部分错误分类可能是因为其缺少1.38μm强水汽通道,导致对薄卷云识别较为困难。后续,我们将探讨通过使用额外的信息（如云的时空分布、观测几何信息等）等方法进一步优化算法的性能。