云普遍存在于遥感影像中,通过对地物的遮挡作用削弱了卫星传感器对地表真实辐射特性信息的获取,从而影响地物光谱信息的有效性。因此,云检测成为遥感影像重要的预处理环节,有助于提高影像利用率。由于下垫面混合像元、地表类型多样、且遥感传感器通道差异性影响,传统的阈值法云检测难以实现较高检测精度。最近提出的通用动态阈值云检测算法(UDTCDA)、地表类型产品支持的云检测算法(LCCD)以及基于高光谱数据像元库的自动生成云检测算法(CDAG)能够有效解决上述问题,但与此同时各算法也受到各自原理的局限,存在难以避免的问题,为解决各算法存在的问题,获得稳定性较高的云检测算法,本文针对各算法的检测特点进行时空适用性评价,提出了一种基于先验地表数据支持的融合型云检测算法。本文的主要内容如下:(1)先验遥感数据支持的云检测算法时空适用性评价。通过对UDTCDA、CDAG以及LCCD算法的检测原理、先验知识以及主要步骤的实现获得各地表类型对应的大量云检测结果,将地表分为植被、水体、人造地表与高亮裸地几大类来分析各算法检测特点,其中UDTCDA算法存在高亮地表像元误提现象,LCCD算法易出现内陆水体误提与薄碎云检测效果不好的问题,同时CDAG算法对云量信息低估严重,对薄碎云识别精度差。(2)融合方式确定与云概率图像生成。通过对算法结果的定性分析与定量评价,借助云像元正确率与晴空像元误判率的数值变动规律,确定各地表类型下垫面的最佳云检测算法,并采用权重的方式对各云检测算法加以结合,获取云概率图像。将各算法云检测结果与标准假彩色合成图像进行目视解译对比验证,结果表明该融合算法能够有效改进各算法错判问题,在各地类具有较好的识别精度,尤其提高了各地类情况下薄碎云类型的检测稳定性;另外,本文分地表类型在全球随机选取40个样本区域,通过计算定量精度指标,对实验结果进行定量对比验证,结果表明,融合云检测算法在不同地表类型上空保持较高的稳定性,识别精度较好,用户精度与生产者精度均优于各算法结果,错判现象显著减少,与目视解译结果的空间一致性升高,其中检测精度最高的地表类型为植被与水体。