为适应对地观测、资源调查、自然灾害预测、环境污染监测等领域的需求,精确的遥感影像云检测对于遥感影像的应用具有重要意义。然而受到云类型多样性、下垫面复杂性等问题的影响,精确的遥感影像云检测依旧存在各种难点。现有的云检测方法或依赖于云特征计算及阈值设定,或依赖于云及云影的位置匹配,又或者结合特征提取及简单分类模型实现遥感影像的云检测任务。但由于云的厚薄程度及下垫面复杂程度的影响,现有方法中存在阈值的适用性、分类模型的漏检测、误检测问题,而这些问题使得遥感影像中的云仍难以被准确检测出来。因此,论文将Fmask算法、机器学习检测方法,与云的光谱特征、高度特征等理论知识结合,将其作为遥感影像云检测的基础理论依据。然后,论文将分别利用Landsat-8遥感影像为代表的单影像、资源三号（ZY-3）遥感影像为代表的多角度影像作为基础数据源,结合云的光谱信息、高度信息实现不同源遥感影像的云检测任务。实验表明,论文的多尺度特征卷积神经网络模型能够有效检测出多种遥感影像中的云区域,并在确保厚云检测精度的同时提高薄云检测精度。此外,针对于ZY-3多角度影像中光谱波段较少,云检测难度增大的特点,论文结合云的高度信息,成功利用该方法实现多角度遥感影像的薄厚云检测。论文的创新工作包括以下两个方面:（1）针对阈值的普适性、传统分类模型的漏检测和误检测问题,论文提出多尺度特征卷积神经网络模型进行遥感影像云检测的算法。该方法通过构建多尺度特征卷积神经网络模型,学习输入数据的多尺度全局特征,并将特征学习过程中获得的高层语义信息与低层空间信息相结合,实现单影像的薄云、厚云检测。（2）由于短波红外波段、热红外波段能够有助于识别遥感影像中的云,顾及到ZY-3高分遥感影像光谱波段较少的难点,论文通过多角度遥感影像获取影像高度信息,再结合光谱信息及构建的多尺度特征卷积神经网络,实现该模型在多角度遥感影像的薄厚云检测中的应用。为了验证文中多尺度特征卷积神经网络模型在云检测中的有效性,论文首先以Landsat-8单影像的多波段数据作为数据源,从定性的角度探究了各种常用云检测方法（支持向量机（SVM）、随机森林（RF）、BP神经网络（BPNN）、全卷积神经网络（FCN）、Fmask）在薄厚云、整体云上的检测效果。除定性展示检测结果外,论文中先引入精确率Precision、召回率Recall和F＿Score三个评估指标,定量评估各方法的在薄厚云上的检测性能,然后引入正确率、错误率、虚警率、正确率与错误率的比值四项指标,全面评价各类检测方法在整体云检测中的检测效果。最后,论文以ZY-3多角度遥感影像和对应区域的数字高程模型（DEM）为数据源,计算影像区域对应的数字高度模型（DHM）,并将该高度信息与光谱波段数据融合,结合多尺度特征卷积神经网络模型,实现多角度遥感影像的薄厚云检测任务,进一步验证论文方法的有效性。