云状作为云探测的重要宏观参数之一，具体描述了云的形成和演变过程，反映当时大气动力特性、大气稳定度以及水汽状况。正确识别云状(云型)有助于分析大气动态，亦为临近天气预报提供重要指示。目前地面云状的观测依然靠气象观测员目视判断，主观性强，记录相对简单，难以详细描述实际天空的云场状况。由中国科学院大气物理研究所LAGEO 实验室自主研发的可见光全天空成像仪可拍摄高时空分辨率可见光波段全天空图像资料，能记录每天日间全天空云场信息，为解决地面宏观云的自动化观测提供可能。本文是首次利用图像处理方法对可见光全天空图像进行初步的云型识别研究，所做工作包括(1)用于云型识别的特征提取工作，以获得云型识别最有效的云特征参数。通过分析与研究，确立了基于傅立叶变换以及基于灰度共生矩阵等分析手段而生成的14 个特征参量；(2)设计并建立了适合云型识别的分类器算法。针对云型图像特征零散、抽象且无明显规律等特点，实验中分别使用了基于投票规则的多级分类器算法和BP 神经网络算法来进行云型的归档或分类。由于云型分布复杂，本文为简单起见将图像分成了高积云、卷状云、晴空、积状云、层状云五类。文中所用2500 张可见光全天空图像挑选自2004～2007 年北京香河、福建厦门、西藏羊八井、珠穆朗玛峰等地，云型特征各不相同。其中通过对1500 张测试样本进行了自动识别实验，两种算法分别获得为57.2％和89.73%识别率。所做分析与研究工作表明，BP 神经网络算法在云型分类方面效果更好。本文最后还运用该算法对北京观象台(116.3 o E ,,39.9 o N))获得的图像进行云型识别并与该站地面观测员的云型记录做了比对，结果表明云型的自动识别算法应用在地面观测业务中存在可能性。