云是地球上大气动力、热力以及水汽循环过程的外部表现,云的观测对于气象预报、大气环境监测、气候变化等的研究都具有非常重要的意义。目前,云观测方式主要有两种,一种是基于卫星的天基气象云观测,另一种是地基气象云观测。其中,地基气象云观测由于观测成本低、易操作能直观地反映局部天空的云类信息及其云的变化趋势,成为了当前云观测的主要观测手段之一。云状、云高和云量是地基气象云观测中需要测定的三个重要参数。特别地,云状的准确识别在天气情况的预报和气候系统的演变中起着十分重要的作用。因此本文主要关注基于地基气象云图的云状识别研究。当前基于地基气象云图的云状识别大多是基于人工智能和机器学习的方法来进行,这样实际上云状识别即是机器学习中的图像分类任务。所谓的图像分类即是利用特征提取器提取图像中的有用信息（空间、颜色、纹理等）,然后利用分类器对图像进行分类。其中,特征的提取是关键。现实中,常用的特征提取方法包括颜色特征提取方法、LBP（Local Binary Pattern）特征提取方法以及SIFT（Scale-invariant Feature Transform）特征提取方法等,然而我们注意到,大多数的现有特征提取的方法皆仅仅只是提取了图像中的部分单一有用特征信息,从而导致较低的图像分类精度。因此,本文将从图像中使用不同的特征提取方法提取出来的不同图像特征融合来进行更为准确的地基气象云图的云状识别。具体地,通过聚合从地基气象云图中提取的颜色矩特征、LBP特征以及SIFT特征,本文提出了一种多特征融合的地基气象云图云状识别方法。它有效地融合了云图的全局信息（颜色矩特征）和局部信息（LBP特征和SIFT特征）,得到了更为准确的云图特征表示,提升了地基气象云图云状识别的精度。进一步,为了验证本文提出的多特征融合的地基气象云图的云状识别方法的有效性,在本领域广泛使用的地基气象云图SWIMCAT（Singapore Whole-sky IMaging CATegories Database）公开数据集上把本文提出方法和单一颜色矩特征、单一LBP特征、单一SIFT特征以及融合LBP和SIFT特征的方法进行了对照。实验结果表明,在支持向量机、分类树、朴素贝叶斯三个分类器下,本文提出方法基于五折交叉验证的分类准确率都优于上述提到的其他方法。