光学遥感图像云检测可以看作是遥感图像预处理的步骤。由于地球表面大量存在的云,导致遥感影像不够清晰,存在地物被遮挡的情况。同时,在研究自然环境、气象方面,云检测也是一项必不可少的工作。因此,这是一项十分必要并且有价值的研究课题。在该领域目前已经有了大量的研究,包括传统的云检测方法和基于深度学习的方法。相比之下,基于深度学习的方法检测结果更加准确,是目前的主流研究趋势。因此,本文采用了基于深度学习的方法对光学遥感图像云检测进行了研究。本文主要的工作点和研究内容如下:（1）为了解决在切割的图像块尺寸较小时,对图像块的空间模式和上下文信息的提取不够全面这一问题,在现有的一种云检测算法——遥感网络（Remote Sensing Network,RS-Net）的基础上,提出了一种加入空洞卷积和空间金字塔模块的增强型遥感网络（Atrous Convolution and Spatial Pyramid Modules Enhanced Remote Sensing Network,ACSPM-RSNet）模型。在减小切割的图像块大小的同时加大了感受野,使得每一个卷积的输出可以包括更大范围内的上下文信息,更好的提取图像的空间模式。同时提取了不同大小的图像块的特征,以获得多尺度的图像特征。（2）在所提出的改进模型ACSPM-RSNet的基础上,为了使生成的云预测掩码图的分割边界轮廓更加平滑、精确,对由增强型遥感网络模型生成的云检测的预测结果图使用卷积条件随机场（Convolutional Conditional Random Fields,ConvCRF）来进一步进行后处理。将生成的云掩码图作为卷积条件随机场的一元势函数,将数据集中的真彩色图作为输入图像,提供成对势计算所需要的位置信息和颜色信息。再将归一化之后的云概率图送入条件随机场中进行推理。加入了结构化的推理,以提高实验结果的精确性。（3）目前现有的基于深度学习的云检测算法都要使用卷积神经网络。卷积神经网络提取出的特征更多地关注图像的局部,这会导致其丢失很多的空间信息。在生成云检测的预测结果图时会导致细小、零碎的云的丢失。而Vision Transformer是一种不使用卷积神经网络的基于自注意力机制的纯Transformer模型,其在图像分类领域有着绝佳的效果。云检测可以看作是一个二分类的任务。因此,本文提出了基于Vision Transformer的光学遥感图像云检测算法,模型的每一层都具有全局感受野,避免了卷积神经网络的缺陷。实验结果表明该方法是有效的。