针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题，提出一种基于改进Res-UNet（Residual network-UNetwork）的昼夜地基云图分割网络CloudRes-UNet（Cloud ResNet-UNetwork），整体采用编码器-解码器的网络结构。首先，编码器使用ResNet50提取特征，增强特征提取能力；其次，设计多级特征提取（Multi-Stage）模块，该模块结合分组卷积、膨胀卷积和通道打乱这3种技巧，获取高强度语义信息；再次，加入高效通道注意力（ECA?Net）模块，在通道维度上聚焦重要信息，加强对地基云图中云区域的关注，提高分割精度；最后，解码器使用双线性插值对特征进行上采样，提高分割图像的清晰度并减少目标和位置信息丢失。实验结果表明，与当前基于深度学习表现较好的地基云图分割网络（Cloud-UNet）相比，CloudRes-UNet在昼夜地基云图分割数据集上的分割准确率提升了1.5个百分点，平均交并比（MIoU）上升了1.4个百分点，更准确地获取了云量信息，对天气预报、气候研究和光伏发电等方面具有积极意义。
