遥感图像广泛应用于地理制图、资源监测等方面,但由于天气的影响,很难在遥感数据中获得无云图像。大多数遥感图像在数据采集处理中易受到云遮挡的影响,导致降低遥感数据的质量和利用率。为此,很多学者提出了有效的方法来检测遥感影像中的云从而去除这些云,提高遥感图像解译的有效性,卫星图像的云检测对于定量遥感研究和遥感应用非常重要。因此,作为去云的首要步骤,准确进行云检测有利于后续影像处理如分类、分割和变化检测,也是遥感影像资料修复的基础工作之一。简单阈值法依赖于传感器和先验知识检测云,且易受高反射率地面等影响从而误判云,而传统CNN的云检测在卷积、池化操作中易丢失云的空间细节,导致检测精度下降。针对以上问题,结合Himawari-8特点,本文设计一种基于FPN扩展式网络模型的语义分割云检测技术,采用空间分辨率相同的三个波段进行相应的研究。该网络框架对不同层级特征图进行空洞卷积,通过增大感受野获取云的细节信息,并构建特征金字塔用于提取云影像的多尺度信息和高层空间特征,然后对不同类别的云进行上采样后融合,逐像素输出分类来获得云检测结果。通过对三种方法的结果进行定性定量评估,并在多幅不同遥感数据上进行测试,最终表明本算法有更好的性能,精度评价指标m IOU和OA分别提高9.06%和7.75%。得到的云检测可视化结果接近真实云图,优于传统的分割方法,满足实际需要。同时可代替传统阈值云检测法进行大量样本检测,且不需要依赖人工经验。该方法具有成本低廉,精度可靠的特点,为遥感数据提供广阔的应用前景。