卫星遥感技术是对从遥感技术平台获取的卫星数据进行接收、处理和分析的技术。许多科学数据与动态信息都源自于卫星遥感技术。但是由于云层的污染,地表信息的光谱和纹理信息等被改变,卫星遥感影像的应用面临诸多困难,云检测技术能够避免应用错误的遥感信息和大量的无效信息传输成本。云检测任务是在卫星遥感图像中将云区域识别出来的任务,现有的基于阈值和机器学习的方法在薄云、微云和明亮地表区域的判别上存在不足,本研究基于深度学习相关技术,提出新的云检测算法来提高云检测的精度,减少误判和漏判的情况。本文研究云检测技术所使用的数据集为风云3D卫星数据、中等分辨率成像光谱仪（MODIS）卫星数据和陆地卫星8号（Landsat 8）卫星数据。针对薄云、微云分布稀疏,透明度高等问题,本文提出了基于全局上下文的多尺度特征融合云检测模型（High and Low Resolution Feature Fusion Network,HLRF-Net）,将语义分割任务分解为三个子任务,并有针对性的设计对应的方法将其实现。HLRF-Net主要由三个模块组成,即低分辨率特征提取模块,高分辨率特征提取模块和特征融合分割解码模块。具体来说,HLRF-Net用一个低分辨率特征提取模块作为粗略估计,在此基础上引入一个高分辨率特征提取模块来对边界进行精细分割,最后添加一个融合模块来对前两个模块的特征进行融合,并最终预测出语义分割的结果。实验证明本文提出的HLRF-Net网络模型在提升云检测的精度上非常有效,在MODIS数据集上Jaccard分数较之前最好的模型提升1.3%。为了提高冰雪区域的云识别率,本文提出基于视觉Transformer（Vision Transformer,Vi T）的云检测Transformer网络（Cloud Transformer Network,CTR）,CTR模型通过引入Transformer模块提升全局上下文特征的识别能力和对背景信息的敏感程度,从而提升模型在冰雪区域对云的判别能力。实验表明该网络可以有效的提升在冰雪区域的云检测精度。最后设计并开发了一套网页端的卫星数据云检测系统,该系统支持三种数据集包括风云3D卫星数据、MODIS卫星数据和Landsat 8卫星数据。