【摘要】云和阴影的检测与分割在遥感图像处理中具有重要意义。 本研究通过对比三种不同的深度学习模型结构：Ｕ 形网络（Ｕ⁃ｓｈａｐｅｄ ｎｅｔｗｏｒｋ，ＵＮｅｔ）、改进的 ＵＮｅｔ＋＋以及结合了 Ｓｗｉｎ Ｔｒａｎｓｆｏｒｍｅｒ（分层视觉 Ｔｒａｎｓｆｏｒｍｅｒ，使用偏移窗口）的 Ｓｗｉｎ⁃ＵＮｅｔ（分割改编），评估它们在小数据集上对云和阴影分割效果。 实验数据集选用遥感影像去云数据集，包含 ４５０ 组带有 ｌａｂｅｌ（标签）和 ｍａｓｋ（掩模）的遥感图像。 实验结果表明，尽管 Ｓｗｉｎ⁃ＵＮｅｔ 模型在准确率上略高，达到了 ８１???? ３９％，但在小数据集上易出现过拟合和训练波动问题；改进后的 ＵＮｅｔ＋＋模型增加了多个跳跃连接和批归一化层，最高准确率达到 ８０???? １８％，且训练过程中的波动较小。 ＵＮｅｔ＋＋模型在保持高准确率的同时，显著提高了模型的稳定性和泛化能力。 本文的研究为在资源有限环境下进行高效的云和阴影分割提供了理论依据和实践指导，证明了适当改进的小模型在小数据集上的应用潜力。