卫星云图是由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像。利用卫星云图可以识别不同的天气系统,确定它们的位置,估计其强度和发展趋势,为天气分析提供依据。同时,使用卫星云图对云的种类和分布达到精准识别,对提高天气预报质量以及预防灾害的能力有重大的意义和价值。本文以卷积神经网络和深度卷积生成对抗网络为基础,对卫星云图的分割与识别进行了深入研究,主要工作和创新点在于:(1)针对传统的卫星云图分割方法中,繁琐的算法流程和复杂的特征提取方式,本文采用基于卷积神经网络的方法,能够自动提取特征,分割过程简洁,效率更高。同时针对FCN分割模型中多次卷积后参数量过大,导致模型训练耗时耗力,本文对普通卷积改进为“稀疏卷积”方式,使得网络参数以及计算量大大减少,训练速度较原模型有明显提升,平均训练效率提高了26.3%,且分割效果几乎不受影响。(2)针对训练卷积神经网络模型往往需要大量的数据,而某些种类的卫星云图数据量较少,收集足够量的数据比较困难,本文通过深度卷积生成对抗网络生成训练数据,以扩充训练集,有效提高了识别模型的识别准确率。同时针对卷积神经网络中卷积核太大,导致计算复杂度高,提出卷积重构方法,使用多个小卷积叠加的方式代替大卷积,在减少计算量情况下保证相同的感受野,减少了模型训练时间;针对使用单一Sigmoid激活函数易引发梯度弥散,提出多种激活函数融合的方法,提升了训练效率和识别准确率。同时,多方法结合下的模型识别准确率达到88.5%,较原模型提高13.2%。