Landsat影像具有最长的陆地遥感观测记录,覆盖全球范围,分辨率适中,是目前应用最广泛的遥感数据,其应用领域包括资源勘查、农业分析、地表变化监测等。由于Landsat影像上的云和云阴影会遮挡地物,不能实现对被遮挡地物的遥感,因此精确的云和云阴影标示是Landsat影像产品生产的重要环节。随着深度学习技术的发展和计算机性能的提升,基于深度卷积神经网络的检测方法极大地提升了Landsat影像云及其阴影的检测精度。然而,训练深度卷积神经网络模型需要大量标注图像(图像上的每个像元均需经人工方式精确标注为云、无云或云阴影)。人工标注成本高、耗时长,不利于构建大型遥感图像样本集,从而很难训练出具有实用价值的云和云阴影检测模型。本文将Landsat影像云和云阴影检测转化为图像的语义分割问题,并通过研究和剖析基于深度学习的最新云检测算法,揭示其依赖大规模人工标注数据的固有约束,受弱监督学习思想启发,提出了一种无需人工标注数据的卷积神经网络模型训练及云和云阴影检测方法。不同于现有基于深度卷积神经网络的检测方法,本文选取了没有经过人工解译标注的Landsat QA波段作为标注数据,通过迭代模型训练过程,改善和更新标注数据,更有效地提取云和云阴影特征。样本数据覆盖了全球8类生物群落区,每类含有12个场景,场景的选择具有随机性和代表性,经波段运算、影像切分等预处理后,形成样本数据集。应用训练所得基于深度卷积神经网络的语义分割模型实现Landsat影像的云及其阴影检测,并对检测结果进行精度验证和对比分析。结果显示,在不同场景下本文方法均能较为完整的识别出Landsat影像上的云和云阴影,总体精度达到85.55%,Kappa系数为66.03%,云、云阴影和无云类别的F1分数分别为78.14%,43.86%和90.62%,均优于目前最具权威性的Landsat官方云检测算法CFMask的结果。基于以上内容,说明利用QA波段训练出具有实用性的语义分割模型进而检测Landsat影像上云及其阴影的思路是可行的,为后续研究奠定基础。