云和云阴影的高精度检测对光学卫星数据的应用具有重要的意义。由于光谱信息和纹理特征的显著差异,云的识别可以达到相对较高的精度,而因为受到地表结构复杂性和不同云类型的影响,导致云阴影的识别普遍较为困难。与传统的方法相比,深度学习算法可以较好的识别图像中的云阴影,但因为对大量学习样本的需求,该方法通常难以在不同传感器中推广应用。本文提出一种高光谱样本数据集支持的深度学习云阴影检测算法。该方法通过航空高光谱数据构建样本数据集,通过光谱模拟将其转换为待检测多光谱样本数据集,使用统一的样本实现不同传感器的样本数据集构建,避免了前期方法基于待检测遥感数据获取样本数据集的工作,使用BP神经网络进行云阴影检测,具体包括:(1)基于高光谱航空数据支持的深度学习云阴影检测样本数据集构建。基于AVIRIS数据通过人工目视解译构建各地表覆盖类型云阴影检测样本数据集,地表覆盖类型包含耕地、植被、人造地表、水体和裸土。云阴影类型包括厚云阴影、薄云阴影和碎云阴影。基于待检测传感器的波谱响应函数,使用高光谱AVIRIS数据进行样本数据集的模拟,构建适用于待检测传感器的样本数据集。(2)深度学习网络架构设计、样本训练与云阴影检测实现。本文选择的是BP神经网络,将模拟后的样本数据集按地表覆盖类型分类输入神经网络进行训练,得到各类型云阴影检测神经网络模型。将样本数据集分为验证数据和训练数据,使用交叉验证的方法在神经网络训练过程中对隐含层神经元数量、batch值、dropout值和momentum值进行优化,提高网络泛化能力,获得较好的识别精度。通过与GlobeLand30地物类型数据地理坐标匹配获取影像地表覆盖类型信息,对Landsat8 OLI、NPP VIIRS和MODIS三种卫星影像进行云阴影检测。(3)云阴影检测结果的优化。通常认为云阴影检测结果符合马尔可夫随机场(Markov random field,MRF)规则,即图像上各像元取值与其相邻的像元有关,而与其他像元值无关,通过引入空间约束条件对云阴影检测结果进行优化,以改善薄、碎云边缘区域的检测效果。(4)云阴影检测结果的验证与分析。结合人工目视解译结果对本文实现的Landsat8 OLI、NPPVIIRS和MODIS三种卫星影像的云阴影检测结果进行精度验证,并与Fmask云阴影检测算法对比,结果表明,本算法在厚云阴影、薄云阴影和碎云阴影上均具有较好检测结果,达到了较高的总体精度。