地基云的自动识别方法和技术为气象分析中的云状识别和云量估计任务提供了重要的手段和依据.然而,对这两种任务的研究往往独立,互不相干,导致地基云图的分类与分割技术无法有效地结合使用.特别是当云图中出现多类云状时,现有技术难以按不同云类分别划分区域并进行云量计算.为了解决这一问题,提出用基于深度学习的语义分割方法实现对地基云图的按类分割.首先,构建了地基云图语义分割数据集GBCSS,该数据集包含3　000幅云图,共计11个类别.在此基础上,提出了一种基于U型神经网络的改进方案UNet-PPM作为地基云图语义分割模型.为了增强网络对云的轮廓特征提取能力,引入了金字塔池化模块.该模块提取并聚合了不同尺度的图像特征,提升了网络获取全局信息的能力.最后,将设计的网络在GBCSS上进行了训练以及评估,其在测试集上达到了91.5％的像素准确率.与U-Net相比,UNet-PPM在像素准确率上有5.4％的提升,表明该网络对云的轮廓特征提取的能力更强,以及语义分割应用在地基云图中的可行性.