受传感器自身参数及观测条件的影响,云覆盖现象在光学遥感影像中普遍存在,光学传感器难以获得无云数据。云的存在是影响传感器成像质量的主要因素,它严重制约了遥感的对地探测能力,这也将极大地影响地表和大气参数定量反演的可靠性和精度。因此,快速准确地进行遥感影像的云识别是遥感数据预处理中必不可少的工作。传统的云检测方法多是基于物体的波谱反射差异,利用一组阈值组合,分割出云和晴空像元,对于不同的传感器需要分别研究算法,费时费力。针对这一问题,本文提出了一种高光谱数据支持的深度学习云检测算法,该方法能够支持多种多光谱传感器数据的云检测。AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)数据具有高光谱、高空间分辨率的特点,在400-2500nm的波长范围内有224个连续的较窄波段,能够探测目标的微小波谱差异。基于AVIRIS数据,本文通过目视解译,选取足够数量的云和晴空像元构建高光谱数据样本库。根据待检测传感器的光谱响应函数、AVIRIS数据波段宽度等参数对高光谱像元样本库进行模拟计算,得到待检测传感器的云和晴空地表像元库。基于Keras深度学习框架平台,设计用于云检测的深层的BP神经网络,将模拟得到多光谱样本数据输入网络,训练学习,得到基于光谱特性的多光谱传感器云检测规则。神经网络训练过程中,利用交叉验证的方法对网络中的参数进行改进和优化,实验表明,对隐层神经元数量、batch值、dropout、momentum动量值的优化,能够有效增加网络模型的识别精度,提高训练效率,获得较好的识别效果。马尔科夫随机场(MRF)是一种基于统计原理的无向图模型,它将像素间的空间约束关系引入到图像分割中,得到了广泛应用。本文基于马尔科夫随机场模型,利用迭代条件模式(ICM)算法对神经网络云检测结果进行优化,去除部分云检测的误分漏分误差。实验表明,利用统计信息可以降低云检测误差,改善检测效果。最后,本文选用多种传感器数据,通过与人工目视解译出的云覆盖结果对比分析,对本文提出的云检测算法进行验证。结果表明,本算法对Landsat 8 OLI、NPP VIIRS和Terra MODIS数据都取得了较好的云检测效果,总体精确度达到90%以上,可以满足数据应用对于云检测的要求。