遥感影像因具有分辨率高、细节清晰、内容丰富等特点而被广泛使用在土地覆盖监测、森林覆盖监测、湿地资源监测等任务中。在遥感影像中,地表有用信息常被云雪覆盖,这些云雪占用传输系统大量的存储空间和传输带宽,干扰遥感影像光谱。因此对遥感影像云雪检测十分必要。由于云和雪在影像上相近的光谱分布给区分云和雪增加了难度,遥感影像云雪分离检测一直难以实现。为了实现对遥感影像中的云雪进行高精度检测,本文基于卷积神经网络提出了高效提取与融合云雪纹理信息和空间信息的方法,同时提出了面向遥感影像云雪检测的自适应多尺度特征融合网络,实现了对遥感影像中云雪的高精度检测。论文的工作成果和创新点如下:1.针对遥感影像中云雪既具有纹理特征又具有空间语义特征的特点,提出了基于卷积神经网络的遥感影像云雪检测方法,通过扩张卷积核提取基础主干网络中多个特征层的特征信息,将低特征层包含的细节纹理信息和高特征层包含的空间语义信息高效融合,用于生成精细的云域和雪域的检测结果。2.针对遥感影像数据中单幅影像往往包含有许多尺度相差很大的云和雪,使得影像具有多种尺度的纹理特征和空间特征。这些特征的尺度相差也很大,为了更有效的提取这些特征,本文提出了自适应多尺度特征融合模块。能够根据模块关注区域的特征信息的特征尺度,自适应地选择用相应感受野的卷积核对该区域特征进行提取,从而达到对不同尺度特征自适应提取的目的,更有效地提取云雪不同尺度的纹理和空间特征信息,提高云雪检测的准确率。3.提出了全局和局部注意力机制,用于根据输入特征信息的不同的特征图所包含的全局和局部的不同尺度特征信息的语义关系对特征图进行基于注意力的优化增强,以提高遥感影像云雪检测的细节精度。