| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.3 主要研究内容与技术路线 | 第14-15页 |
| 1.4 论文章节安排 | 第15-17页 |
| 第2章 机器学习算法理论基础 | 第17-27页 |
| 2.1 监督学习与非监督学习 | 第17-18页 |
| 2.2 支持向量机(Support Vector Machines,SVM) | 第18-19页 |
| 2.3 人工神经网络(Artificial neural networks,ANN) | 第19-22页 |
| 2.4 单层神经网络与深度学习调参方法 | 第22-24页 |
| 2.5 卷积神经网络(Convolutional neural networks,CNN) | 第24-26页 |
| 2.6 小结 | 第26-27页 |
| 第3章 自适应超像素分割与支持向量机的多特征云检测 | 第27-37页 |
| 3.1 超像素分割算法原理 | 第28-29页 |
| 3.2 粗分割..自适应超像素分割算法 | 第29-31页 |
| 3.3 ASLIC与SLIC分割实验结果对比分析 | 第31-32页 |
| 3.4 精分类..基于多特征融合的SVM分类 | 第32-35页 |
| 3.5 小结 | 第35-37页 |
| 第4章 基于卷积神经网络的云检测 | 第37-53页 |
| 4.1 卷积神经网络模型中的重要概念 | 第37-39页 |
| 4.2 常用的卷积神经网络及设计理念 | 第39-44页 |
| 4.2.1 LeNet模型 | 第40页 |
| 4.2.2 AlexNet模型 | 第40-42页 |
| 4.2.3 VggNet模型 | 第42-44页 |
| 4.2.4 ResNet模型 | 第44页 |
| 4.3 基于深度卷积神经网络的云检测 | 第44-51页 |
| 4.3.1 深度卷积神经网络框架设计 | 第45-46页 |
| 4.3.2 实验结果分析与评估 | 第46-51页 |
| 4.4 小结 | 第51-53页 |
| 第5章 云检测后处理 | 第53-59页 |
| 5.1 遥感图像薄云与厚云的分类指标 | 第53-54页 |
| 5.2 去除薄云的方法介绍 | 第54-55页 |
| 5.3 直方图均衡化去薄云实验与分析 | 第55-57页 |
| 5.4 小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 附录1：EI检索会议论文摘要 | 第67-69页 |
| 致谢 | 第69-71页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第71页 |
