使用全天相机拍摄云图是现在天文学界广泛使用的监测天空云量的方法,之后对云量的估算结果将对望远镜观测和选址产生重要影响。目前,国家天文台根据30米口径望远镜判读全天相机云图云量的方法,人工地将全天相机云图分为Clear、Covered、Inner以及Outer四类。由于人工判读云图费时费力且判读过程完全依赖个人经验,因此本文利用阈值法、支持向量机、K近邻、随机森林、逻辑回归和卷积神经网络六种分类算法对16387张全天相机夜间云图实现自动分类,然后将六种分类算法的分类结果进行比较分析。实验结果表明,卷积神经网络算法的分类准确率为90.8%,较其它五种算法中分类准确率最高的支持向量机算法提高了11.8%。因此,卷积神经网络算法在有效地自动处理云图数据的同时,也提高了全天相机云图分类的准确率。本文的主要成果如下:(1)全天相机云图数据预处理。针对复杂多变的全天相机云图数据,本文首先通过云图增强和云图去噪对云图数据进行处理。其中,云图增强使用的是形态学上的高低帽法;云图去噪方面则针对月亮、星点、闪电和反光四种噪声建立不同的模型,完成噪声的有效去除。实验结果表明,云图预处理有效降低了全天相机云图数据样本的复杂度。(2)利用阈值法对全天相机云图分类。本文利用自适应阈值法中的大律法进行云检测,并针对多云和少云云图分别计算云量完成云分类。实验结果表明,该方法相较于人工判读云量进行分类的有更高的效率。(3)利用传统机器学习的方法对全天相机云图分类。本文首先通过灰度梯度共生矩阵提取全天相机云图的纹理统计特征,然后利用支持向量机、随机森林、K近邻、逻辑回归四种传统的分类器,实现对全天相机云图数据的分类处理。实验结果表明,四种分类算法的分类结果在准确率上要优于阈值法。(4)利用卷积神经网络的方法对全天相机云图分类。本文基于Tensorflow框架搭建卷积神经网络模型,并对模型进行改进。实验结果证实,卷积神经网络能够成功应用于全天相机云图分类,且分类准确率较以上五种传统的分类算法有大幅度的提高。本文搭建了一个完整的云图自动处理系统,可实现对云图的自动分类,并完全对应于现在天文界的TMT分类法,可大部分替代相应的人工处理工作。最终,本文对以上六种分类算法的运行效率和分类结果做了比较分析。实验结果表明,卷积神经网络在运行效率和准确率方面取得的效果最优,高效地完成了全天相机云图自动分类。