中文摘要：

本项目旨在构造多个分类器的基础上，将多个分类器的识别结果进行集成，以提高云类的识别正确率。具体包括四方面内容（1）利用EOS-MODIS资料，建立较大规模云样本库；（2）提取包括光谱特征、灰度特征、纹理特征、形状特征、多通道之间的差异特征等在内的多种云特征，并从中筛选出对分类有利的重要特征；（3）设计6个分类器，即BP网络、SOFM网络、RBF网络、最近邻分类器、Bayes分类器、SVM分类器，

结论摘要：

正确的云分类不仅有助于对天气气候变化的理解和正确预报，而且对于军事和卫星产品应用具有重要的实用价值。本项目利用我国东南沿海区域夏季EOS-MODIS资料，提取光谱、纹理和亮温差等10种云特征，将MODIS云图分成积雨云、卷云、高云、中云、低云等5个云类以及陆地和水体。研究了最近邻、最大似然、最小距离、BP神经网络、C45决策树、支持向量机SVM等六个分类器的云分类性能；分析了不同分类器输出之间的互补性；并将多个分类器的输出结果进行集成。试验表明SVM在MODIS云图分类中性能稳定，取得了较好的分类结果；不同分类器的输出具有较强的互补性，集成潜力大；将多个分类器的输出在决策层和度量层上分别进行集成，有效地提高了云分类正确率。