随着遥感图像分辨率不断提高和数据量不断增大，高分辨率遥感图像的云检测对于有效提取和利用数据具有十分重要的意义。传统的云检测方法往往依赖于阈值法和灰度共生矩阵为代表的纹理法，但随着图像的分辨率不断提高，传统的方法适用性因此受到影响。本文以实现Quickbird高分辨率遥感图像云检测为目标，在充分分析云与下垫面辐射和纹理特性以及高分辨率图像自身特性的基础上，建立了一套完整的云检测算法，其中重点围绕目标特征提取和分类器设计这两方面展开研究，实验结果表明本文设计的算法能够准确地从高分辨率遥感图像数据中实现云检测。　　本研究主要内容包括：⑴详细讲述了云检测研究的现状及常用技术方法，阐述了针对高分辨率遥感图像进行云检测存在的困难，指出了传统方法用于云检测时存在的缺陷。⑵深入研究了云及下垫面在辐射特性和纹理特性上各自的特点和区别，对Quickbird高分辨率遥感图像进行了充分研究，提出了基于亮度和纹理信息相结合的特征提取方法以区分云与下垫面。⑶深入研究了针对云、陆地及海面的特征提取算法，采用了奇异值和小波能量相结合的特征向量以代表图像的亮度信息和纹理信息，并且与传统的灰度共生矩阵特征量进行了对比，通过实验表明了本文采用的特征值具有更优的区分性和可靠性。⑷在机器学习理论的基础上，系统研究了支持向量机的算法原理和学习过程。通过了大量实验和分析确立了支持向量机的内部结构参数。首先通过实验表明高斯核函数具有良好的局部性和可分性，接着提出了使用支持向量数代替传统的交叉验证法以估计分类器的推广性能，最后以最小化支持向量数为目标进行了内部参数寻优。实验表明本文提出的参数寻优方法计算简单方便，大大减小了算法实现的时间复杂度。⑸分别采用传统的特征提取方法灰度共生矩阵与传统的BP神经网络与本文所采用的特征方法和分类器相比较，实验表明本文使用的方法对云检测目标具有更好的作用和效果。⑹对研究内容进行了总结并给出了进一步研究方向。