遥感卫星影像一直广泛应用于土地勘测、定位导航、环境侦测、预防灾害、海洋利用等领域,但由于云层的存在对地面场景不仅会产生影响,同时也会在一定程度上改变影像上的光谱和纹理信息,所以云检测方法研究也是目前遥感影像处理中较为热门的研究方向之一。近些年来,卷积神经网络在图像处理方面取得了飞速的发展,也给遥感影像云检测研究带来了新的启发。本文主要研究在含有多角度偏振信息的遥感卫星影像如何提升云检测精度;因此,本文将多角度偏振遥感影像的多角度筛选和目标检测为研究内容,遥感影像多角度筛选可获取更精确的目标类别标签,目标检测获取目标的像素为止,这一研究具有一定的理论意义与实用价值。在多角度偏振遥感卫星影像云检测中,如何选取实验所用角度信息是一个难点,针对该问题本文利用SegNet网络研究了不同角度信息对于云检测精度的影响以及不同角度信息融合具有的优势;在目标检测中,针对多角度信息手动选择较为繁复的问题,本文设计出一种新的基于SeNet-LiteSegNet(SLS)网络的遥感影像云检测方法。具体工作如下:1、针对以往利用单角度遥感卫星影像进行云检测所展现出来的缺陷,本文基于多角度遥感卫星影像的优势,利用影像中的多角度信息,更好的表达了影像的语义信息,首先将不同角度信息的遥感卫星影像送入网络进行学习,可获取不同角度训练网络精度,同时探讨了单角度信息对于云检测模型精度的影响,根据得到检测结果将不同角度信息进行融合,设计了一种基于遥感多角度信息的SegNet网络,该方法将不同角度信息进行融合,训练多个多角度云检测模型,证明了相较于单角度信息的云检测模型,利用多角度信息进行训练的云检测模型具有更好的检测精度。在自建的数据集POLDER3上,本文所提多角度信息云检测模型取得了 91.39%的全局检测精度,比单角度信息云检测模型提升了 1.53%。2、针对选取不同角度会产生较大差异的训练模型这一问题,本文基于语义分割模型SegNet网络结构,融合通道注意力机制SEnet的优势,设计了一种全新的遥感卫星影像云检测模型。本文以SEnet作为SegNet网络的不同角度权重训练层,利用该层将不同角度形成的“通道”赋予权重,设计的网络具有更好的预测能力,检测结果更加接近真实样本标签,同时由于训练的权重可以更好的表达样本信息,减少了以往单角度遥感卫星影像在不同角度中选择带来的差异,相较于之前提出的基于SegNet的多角度遥感影像云检测模型,经过改进后的SLS网络具有更好的语义表达效果。在自建数据集POLDER3上的多组对比实验均表明,本文提出的方法能够更好的表现出多角度遥感卫星影像云检测的结果,验证了多角度信息与SLS网络的有效性。