云在地球能量守恒中扮演着重要角色，是全球气候变化的重要因素。云的生成及演变是大气中发生错综复杂物理过程的具体表现之一，不仅反映当时大气的运动、稳定度和水汽情况等，而且能够预示未来一定时间内的天气变化趋势，云的生消过程实现水和能量的再分配。因此，云观测是气象观测的重要内容，准确地获取云的信息，对于生态平衡、天气预报以及国民经济和军事保障等诸多领域都具有十分重要的意义。
　　许多研究者着力于云观测方面的研究。由于云的形状千变万化并且边界总是模糊不明确，使得云分类富有挑战性。然而，用人力对云进行分类耗时耗力，并且分类结果含有主观判断误差。因此，需要提出更加准确高效的自动地基云分类方法。
　　本文以深度学习为理论基础，从提取深度特征的角度出发，对地基遥感云分类方法进行系统的研究，主要工作包括如下内容：
　　1、为了提取地基遥感云图更加完备的特征表示，考虑样本间的相关信息，提出上下文图注意力网络（Context Graph Attention Network，CGAT)。该网络首先基于地基遥感云图构建图，其次提出上下文图注意力层学习图中相邻结点间的上下文注意力系数，并基于该系数得到图中各个结点的聚合特征，最后使用不同的映射矩阵分别对结点和其相邻结点进行特征转换，得到更加完备的结点特征来表示地基遥感云样本。在地基遥感云数据库上的实验结果证明了该方法的有效性。
　　2、为了得到更具判别性的地基遥感云特征，引入与云密切相关的多模态信息，提出分层多模态融合网络（Hierarchical Multimodal Fusion,HMF)，该网络包含视觉子网络和多模态子网络，分别用来提取地基遥感云的深度视觉特征和深度多模态特征。为了更好地融合两种深度特征，该网络提出了分层融合的策略，包括低层次融合和高层次融合。低层次融合是视觉特征和多模态特征的融合，着重于不同模态间信息的融合。高层次融合是将低层次融合的输出与深度视觉特征和深度多模态特征相结合，可以学习深度视觉特征和深度多模态特征间的复杂关联。基于多模态地基云数据库的实验结果表明，所提出的HMF能够提高地基云图的分类准确率。
　　3、在引入多模态信息的基础上，为了更好地挖掘多模态地基云样本间的相关性，提出异构深度特征学习方法（Heterogeneous Deep Feature,HDF)，该方法主要包括卷积神经网络（Convolutional Neural Network,CNN)特征提取器和图卷积网络（Graph Convolutional Network,GCN)特征提取器两部分。首先利用CNN提取器获取多模态地基云样本的CNN特征。其次，将CNN特征输入到GCN提取器中，学习样本间的相关性，经过图卷积层输出GCN特征。最后，将CNN特征和GCN特征进行串联作为多模态地基云样本的最终特征。获得的最终特征除了包含视觉信息，多模态信息外，还包括多模态地基云样本间的相关信息，因此最终特征能够更加准确地表示多模态地基云样本。基于多模态地基云数据库的实验结果验证了该方法的有效性。
　　总之，本文从特征表示的角度出发，对提高地基遥感云分类准确性进行研究，取得了较好的实验结果，对未来的研究工作有一定的借鉴意义。