云在大气辐射传输和气候变化中起着重要作用。地基测云仪的发展极大地提高了云观测的时空分辨率,但难以对云状实现定量化自动识别。地基云图云状识别研究对于云状自动观测具有非常重要的意义。本文在分析可见光云图的形成过程、几何形态和纹理特征的基础上,对典型云图资料进行了整理和分类。在人工观云时云分类标准的基础上,研究了利用计算机对地基云图进行识别的云分类标准,提出了地基云图的两种器测标准,第一种是按云的基本形态将云分为卷云、波状云、层状云和积状云四种基本类型,第二种是按照云的纹理频率将云分为低频段云、中频段云和高频段云。云图识别算法与分类标准有关,如果根据云图形状、颜色、云缝大小等纹理特征信息进行云图识别,可采用第一种器测标准；如果根据云图的纹理频率信息进行多尺度分析识别,可采用第二种器测标准。为了解决因光照、雨水、雾霾、灰尘等干扰造成的云图质量下降问题,研究了云图预处理方法,以尽可能多地提取地基云图的有效信息。针对可见光地基云图云状识别中的光照补偿问题,提出了一种基于BEMD与Closed-Form景物提取算法结合的地基云图光照补偿算法,与基于L1全变分模型的光照补偿算法相比,可有效地去除云图的光照影响,保留云图自身的信息,与背景区别明显。针对可见光地基云图的云块与晴空等背景的分割问题,采用了基于感知颜色空间的透明度自然抠图算法,有效地将单一的天空背景与云前景分离开来。针对可见光地基云图的自然纹理复杂、特征难以提取的问题,采用了一种基于自适应分数阶微分的云图增强算法,能比较完整地提取云图的纹理和边缘细节,简化了分数阶微分阶数的选取过程。为了从经过预处理后的地基云图中有效、稳定地提取云图特有的纹理特征,研究了适用于地基云图识别的特征提取方法。根据云的基本形态特征,利用灰度共生矩阵的算法可有效提取云图的二阶矩、对比度、相关性和熵四个纹理特征,使用BP神经网络分类器能够初步识别出层状云、波状云、积状云、卷云四大类云。由于这四大类云所属的不同种云的特征量差别较大,为增加云的识别种类,提出了一种融合纹理图像的二维经验模式分解和Tamura纹理特征分析法来提取云的特征值。在纹理图像的二维经验模式分解的筛分过程中,使用径向基函数插值来构造筛分过程的包络,然后提取样本的每个内蕴模函数中过零点数目、极值处振幅的均值、标准差作为特征向量来训练分类器。根据训练得到样本特征向量,对云图进行Tamura纹理特征分析法提取方向度的特征量,综合两种特征向量归一化后建立云的特征样本数据库。待识别图像经过同样处理后,用平均样本法、k近邻法和支持向量机分类器与样本数据库的特征向量进行比较以实现分类,可识别出积云、高积云、层积云、积雨云、卷层云和卷积云,且对透光高积云、淡积云和秃积雨云的识别率较高。根据云的纹理频率特征,提出了一种基于二维经验模式分解的Hilbert谱的云图特征提取方法。首先对云图进行BEMD分解,获得包含云图纹理特征的前三个本征模态函数(IMF)分量,通过Hilbert变换得到Hilbert谱及其边际谱。根据云图的Hilbert谱及其边际谱,利用k近邻法分类器可初步识别出低、中、高三种不同频率段的云。为了更有效地捕获云图的边缘轮廓、纹理几何结构,提出了一种基于Contourlet超小波和功率谱的地基云图特征提取方法,能灵活地对云图进行多尺度多方向的分解,提取丰富的云图纹理信息。首先对地基云图进行超小波Contourlet变换后获得系数矩阵,对其进行处理从而获得能量、均值和方差等特征信息,并对得到的特征信息数据进行功率谱分析,得到特征信息的频率信息,再利用支持向量机对地基云图进行分类,可对高积云和层云这两类云纹理频率差别较大的云图进行有效识别,进一步细分出云的种类。提取地基云图的纹理特征后,分别采用平均样本法、近邻法、BP神经网络法、支持向量机(SVM)等分类算法对云图进行分类,计算了云图样本的识别率,从而检验云图识别算法的有效性。为了更好地模拟气象观测员人工观测分辨云状的思维,研究了对不同云类动态选择不同感兴趣算子的组合分类器,与采用单一分类器相比,采用组合分类器可进一步增加云的识别种类,提高识别正确率。