GF-5号卫星上搭载的大气多角度偏振探测仪(Directional Polarimetric Camera)DPC能够对地球进行多波段,多角度和高空间分辨率的连续观测,其数据对研究我国大气辐射传输及云气候反馈有重要意义。目前,尚未有针对于DPC载荷建立的的云识别方法,而传统的云识别算法如MODIS云识别算法所需波段范围广且主要检测波段在近红外至热红外,DPC波段无法满足该算法要求。而同DPC相近的POLDER所使用的云识别算法就较大程度上可以移植到DPC上,但该算法存在以下两个问题:其一为:在两极地区的冰雪识别及海洋上的太阳耀光区域选择性的进行了识别或不进行识别;其二由于仪器视场与实际云分布的误差在光学厚度较小的碎云、小积云像元出现误判等情况。从而本文针对于上述问题开展了以下研究:(1)针对于传统阈值法:本研究过以POLDER云识别算法为基础,结合DPC多波段反射率、偏振反射率、表观压强等信息开发了一个适用于DPC的云检测算法。算法分为三个部分,首先对于卷云、层积云等具有不同高度的云类型,该算法通过引入表观压强检验来增加云识别过程中的约束条件;其次通过不同波段反射率对地物的差别选择阈值波段分别对陆地和海洋区域进行云、晴空的识别;最后利用865nm偏振反射率对海水反射的太阳耀光像元进行了识别,从而剔除了利用反射率阈值识别云象元时对太阳耀的误判。(2)针对于DPC多波段多角度数据,本研究利用高精度的云-气溶胶激光雷达和红外探路者卫星观测(CALIPSO)的垂直特性掩码数据作为训练样本,通过随机森林法训练出了云识别结果。(3)相较于传统阈值法,机器学习法在有着更好的普适性,从而可以避免物理法中诸多主观因素造成的误差。但由于数据样本的限制在较低的训练样本情况下容易出现检测精度变低的可能。因此本研究将这两种算法相结合在提出了一个最优的云识别方法。