本文利用已公开的地基云图数据集 Singapore Whole-sky Imaging Cate-gories(SWIMCAT)数据集、SWIMSEG(Singapore Whole Sky Image Segmentation)数据集、BENCHMARK 数据集和自建的 Cirrus Cumulus Stratus Nimbus(CCSN)数据集,基于深度学习的方法,研究了地基云分类与云分割的问题。主要结论如下:(1)针对气象行业地基云图的分类问题,一个新的卷积神经网络模型被提出,称之为CloudNet,用于地基云分类,一个地面云图数据集被建立,称之为CCSN,该数据集包括气象标准下的10种云类型。CCSN数据集中云图像的数量是以前数据集的三倍。第一次将飞机产生的尾迹云在该数据集中予以考虑,使该数据集与现有的地面云图数据集相比更全面和具有代表性。在该云图数据集上进行训练,并对训练好的模型进行优化,与传统的方法进行比较,结果表明该模型分类准确度更佳、参数量更少、训练效率更高。大量实验的评估表明,提出的CloudNet模型可以在气象云分类中取得良好的分类效果。(2)针对云分割的问题,经过评估12种典型的语义分割方法,我们提出了一种用于云分割的语义分割神经网络。它以端到端的方式学习源域和目标域之间的特征,这些特征可以解决观测的云图像数据中标签严重缺乏的问题。在SWIMSEG数据集上进一步评估该模型,使用均值相交(MIoU),召回率,F得分和准确性评估矩阵,这些矩阵的得分分别为86%,97%,92%和96%,这证明了该模型具有出色的效率和鲁棒性。最重要的是,训练好的模型在其他的两个数据集上(BENCHMARK,CCSN)也能取得出色的效果。最后通过可视化的方法比较了其分割结果。分割结果与专家判别结果基本保持一致,能够满足气象业务需求。