卫星云图中蕴含着丰富的气象信息,而云团的变化与天气状况和自然奇观(九寨沟云海,庐山云雾等)都紧密相关。因此,云团检测及其动态变化预测,对天气预报、灾害预测甚至旅游业的发展都至关重要。当前,如何快速精确的从遥感影像中提取出云团的信息,成为很多研究学者关注的重点问题。首先,本研究提出一种基于卷积神经网络的云检测方法,对遥感影像中的云团和晴空下垫面进行分类识别。然后,提出一种奇异值分解算法和深度神经网络相结合的云团动态预测方法,分析云团在未来一段短时间内的运动轨迹,预测云团的动态变化趋势。主要研究内容如下:(1)本文对深度学习中卷积神经网络(CNN)的网络结构进行研究,阐述网络中的卷积层、激活函数和损失函数等参数的概念和原理,总结了卷积神经网络的优缺点和适用性;基于此,使用卷积神经网络(CNN)对遥感影像进行云与晴空下垫面的分类识别,分析网络运行中卷积核的大小和数目变化对运行结果产生的影响,寻求最适合云检测的网络架构。之后选取混淆矩阵、ROC曲线等十种评价指标对卷积神经网络的检测结果进行精度评价,最后选取支持向量机(SVM)作为对比方法进行实验。结果证明,本文所选取的卷积神经网络的检测结果要优于支持向量机。(2)对遥感影像进行奇异值分解(SVD)处理,选取合适的特征值作为识别因子,并结合深度神经网络(DNN)对遥感影像中的云团动态变化情况进行分析,预测云团在未来一段短时间内的运行轨迹,选择余弦相似度(Cosine similarity)和结构相似性度量(SSIM)作为评价指标,并结合与线性回归(LR)方法的结果对比,对云团动态变化分析结果进行评估。实验证明,本文所选取的方法能够获得更优的结果。