我国卫星图像识别技术在自然灾害、地表覆盖区域监测、环境资源分布研究等领域应用日趋广泛。卫星云雪图像中的云、雪等区域高光谱特征相似、空间分布特征复杂多变。传统的研究方法对多光谱特征利用率低,难以有效获取图像中的高阶语义信息。针对这些研究难题,本文提出了深度学习算法实现多光谱卫星云雪图像的光谱特征信息、局部纹理特征信息自动提取,获得低阶到高阶的语义特征。卷积神经网络能够有效提取卫星图像中的各种特征信息,具有较好的特征提取能力,但是如果仅仅是加深自身结构的深度会导致梯度信号消失等问题。为了提升光谱特征提取能力,本文构造了多维双粒度深度森林轻量化模型、深度残差聚合卷积网络模型实现光谱特征信息的优化,提升了多光谱卫星云雪图像的识别能力。通过仿真实验与结果分析,本文的深度残差聚合卷积网络与多维双粒度深度森模型能够有效提取多光谱卫星云雪图像的各种特征信息,提高了特征的利用率,具备很好的泛化能力。相比于机器学习、集成算法、神经网络,深度残差聚合卷积网络具备更好的泛化能力,能够有效识别多光谱卫星云雪图像中的云区域、雪区域、无云无雪区域、云雪混合区域。另外本文的仿真结果也说明,与单光谱卫星云雪图像相比,多光谱卫星云雪图像包含更多的特征信息,更适合云雪图像识别研究。综上所述,本文构造深度残差聚合卷积网络模型与多维双粒度深度森模型开展多光谱卫星云雪图像识别研究对我国气象部门开展相关研究具有重要的参考意义。