作为目前监测云量的主要工具之一,全天相机云图（ASI）的分析处理结果关系到地基望远镜的选址和后续观测工作。国家天文台如今采用TMT标准人工判读全天相机云图的方式估算全天云量,这种人工读图的方式费时费力且容易受到人为主观因素影响,并且没有确定的云量计算指标,因此本文提出了新的云量测量量化指标——云量三要素,包括云重、云面积和云分布密度。并基于提出的云量三要素提取云图的云量特征,结合分类算法实现了云图的自动分类。本文又基于云量三要素的定义提出了云图观测价值分数,以实现全天空云量的区域化分析,评估区域内可进行天文观测的可能性。本文的主要成果如下:（1）提出云量三要素计算模型。本文基于TMT云图判读标准,提出了用于计算全天相机云图云量的数值指标——云量三要素的定义和计算模型。其中云重反映云层的厚薄程度,云面积反映云区域所占面积的大小,云分布密度反映云区域围绕云图中心点的分布情况。云量三要素的提出为全天云量计算提供了直观可靠的数值指标,使云量计算精确到了像素级别,为接下来机器判读全天相机云图提供了理论支持。（2）基于云量三要素和传统机器学习算法实现云图自动分类。本文利用云量三要素的计算模型提取云图云量特征,并使用四种传统机器学习分类器（决策树、支持向量机、K最近邻和随机森林）根据提取特征对云图进行分类。实验选用了GGCM矩阵提取云图特征作为对比算法。结果表明,云量三要素算法在每一类云图的识别准确率均明显高于GGCM,且在各类云图的识别准确率上均达到了90%以上,随机森林算法在四种算法中的分类性能最好。（3）基于云量三要素和神经网络实现云图自动分类。本文使用全连接神经网络和卷积神经网络对云量特征进行训练并分类,另采用CNN对云图数据直接分类作对比。结果显示,经云量三要素算法提取特征后CNN的分类准确率有很大提升。全连接神经网络分类效果最好,各类云图识别准确率均在90%以上,但较随机森林的分类准确程度还有一些差距。（4）基于云量三要素提出了云图观测价值分数和云图观测价值自动评价算法。云图观测价值分数可对全天空云量进行区域分析,评估区域内可进行天文观测的可能性大小进而筛选出能够进行天文观测的天空区域。云图评价算法是将云量三要素指标经GA-BP神经网络训练后得到云图观测价值分数,可以实现云图观测价值的自动评价。