卫星可见光图像以其成像清晰度高，信息客观丰富，时效性以及实用性强等优点得到了广泛应用。但卫星可见光图像存在的一个主要问题是，云层的遮挡会降低图像中地面目标信息的可用性，某些有严重云层遮挡的图像甚至无法使用。这既增加了图像传输和处理的开销与时间，又降低了可见光卫星图像的使用价值，对后续的图像分类、目标检测以及识别等处理应用也产生了极大的负面影响。因此，云检测就成为卫星可见光图像处理的首要任务和关键技术之一。同时，云的物理特性和图像特性的复杂性使得云检测成为一大难点。本文利用图像结构纹理分解和支持向量机分类技术对卫星可见光图像的云检测问题进行了分析与研究，所得成果具有重要的理论意义和应用价值。论文首先综述了卫星可见光图像云检测的研究现状，包括研究背景、云检测的特点和检测方法等，并着重分析了支持向量机（SVM）分类技术和基于变分的图像结构纹理分解两种方法。通过对卫星可见光图像的结构纹理分解结果进行分析研究，我们发现，图像中尺度较大的云层部分被分解到结构分量，而其它小尺度细节被分解到纹理分量，利用图像的结构纹理分解可以有效地消除小尺度细节成分对云检测的干扰。其次，对基于支持向量机分类技术的云检测方法进行了理论分析和仿真实验。在此基础上，论文提出了一个基于SVM和结构纹理分解的云检测算法。该算法首先对卫星可见光图像进行结构纹理分解，并在结构图像中利用简单的阈值进行初步的云检测，然后以此检测结果引导SVM算法在原图中进行更精确地检测。数值实验表明，该算法能够有效地检测出云区，同时明显地减少对非云区的误判。