地基云观测，是地面气象观测的基本观测项目，对预测未来的天气状况，指导人们生产和生活具有重要的作用。长期以来，地基云观测主要依靠有丰富经验的气象观测员来观测和记录，然而人工观测的主观性强，导致观测结果因人而异；另一方面，人工观测成本高昂，无法满足实际需求，亟需实现地基云自动化观测。近年来，随着数字成像技术的发展，出现了越来越多的地基云成像设备，从而可以有效地记录和保存基云图像。然而如果依然依靠人工判读这些地基云图像，同样无法实现对地基云的全自动化观测。于是如何应用计算机视觉和模式识别技术理论完成地基云的检测和云状识别，成为了地基云的自动化观测需要解决的问题。本文的主要工作针对地基云观测中的两个基本问题：云量检测和云状识别。　　针对云量检测问题，本文提出了一种基于二维Arimoto熵的地基云量检测算法，能够快速有效的检测出地基云图像中云体所在的区域。实验表明，不论是对自然图像的分割还是地基云图像的检测，该方法都能快速地取得稳定的分割结果。　　针对云状识别问题，本文从地基云图像的特征提取、特征选择融合、分类器三个方面进行了研究。　　由于云状的复杂多变，没有稳定的形态，因此云状识别是一个非常困难的问题。本文从三个不同的角度研究了地基云图像的特征提取技术：　　首先从模拟人眼视觉和纹理分析的角度提出了一种地基云图像的Gabor排序直方谱特征。该特征具有旋转不变和翻转不变的特性，实验表明Gabor排序直方谱特征分类性能优于传统的纹理特征；　　然后从分析图像结构-纹理的角度，提出了一种基于Census变换的地基云图像结构-纹理特征。该特征可以有效地描述图像的纹理、结构信息，同时充分利用颜色信息。同时本文提出了自适应边界的空间金字塔方法，用于描述图像在不同尺度下的结构信息，该方法能够有效的克服传统空间金字塔划分图像时带来的误差；　　最后从模拟人脑识别机制的角度，提出了一种基于大脑皮层学习算法的地基云图像编码特征。该特征的提取过程借鉴人的大脑皮层的分层结构，首先采用稠密采样的局部描述子作为第一层模拟柱状区域；然后对局部描述子进行编码作为第二层；最后进行空间聚合形成最终的编码特征。　　在完成地基云图像的特征提取之后，本文研究了将这些特征进行融合的技术，具体采用了特征选择的方法，利用随机森林计算特征重要性，选择重要性排名靠前的特征。该方法能找出最有利于分类的一个特征子集，不仅能够提高分类精度，还可以降低运算和存储的复杂度。　　本文对比分析了几种常见的分类器，实验结果表明，支持向量机是地基云状识别中最优的分类器。　　本文建立了两个地基云状数据集，分别为人手工拍摄的图像和仪器自动采集的图像。在这两个数据集上的测试结果表明，本文建立的地基云状识别算法不论分类精度还是稳定性都要优于已有的算法。