Earth Observation systems monitor our Planet by measuring, at different wavelengths, the electromagnetic radiation that is reflected by the surface, crosses the atmosphere, and reaches the sensor at the satellite platform. In this process, clouds are one of the most important components of the Earth's atmosphere affecting the quality of the measured electromagnetic signal and, consequently, the properties retrieved from these signals. This Thesis faces the challenging problem of cloud screening in multispectral and hyperspectral images acquired by space-borne sensors working in the visible and near-infrared range of the electromagnetic spectrum. The main objective is to provide new operational cloud screening tools for the derivation of cloud location maps from these sensors' data. Moreover, the method must provide cloud abundance maps --instead of a binary classification-- to better describe clouds (abundance, type, height, subpixel coverage), thus allowing the retrieval of surface biophysical parameters from satellite data acquired over land and ocean. In this context, this Thesis is intended to support the growing interest of the scientific community in two multispectral sensors on board two satellites of the European Space Agency (ESA). The first one is the MEdium Resolution Imaging Spectrometer (MERIS), placed on board the biggest environmental satellite ever launched, ENVISAT. The second one is the Compact High Resolution Imaging Spectrometer (CHRIS) hyperspectral instrument, mounted on board the technology demonstration mission PROBA (Project for On-Board Autonomy). The proposed cloud screening algorithm takes advantage of the high spectral and radiometric resolution of MERIS, and of the high number of spectral bands of CHRIS, as well as the specific location of some bands (e.g., oxygen and water vapor absorption bands) to increase the cloud detection accuracy. To attain this objective, advanced pattern recognition and machine learning techniques to detect clouds are specifically developed in the frame of this Thesis. First, a feature extraction based on meaningful physical facts is carried out in order to provide informative inputs to the algorithms. Then, the cloud screening algorithm is conceived trying to make use of the wealth of unlabeled samples in Earth Observation images, and thus unsupervised and semi-supervised learning methods are explored. Results show that applying unsupervised clustering methods over the whole image allows us to take advantage of the wealth of information and the high degree of spatial and spectral correlation of the image pixels, while semi-supervised learning methods offer the opportunity of exploiting also the available labeled samples. __________________________________________________________________________________________________ RESUMEN Los sistemas de observación de la Tierra observan nuestro planeta midiendo, en diferentes longitudes de onda, la radiación electromagnética que es reflejada por la superficie, atraviesa la atmósfera, y llega al sensor en el satélite. En este proceso, las nubes son uno de los componentes más importantes ya que afectan a la señal electromagnética medida. Esta Tesis aborda el problema de la detección de nubes en imágenes multiespectrales e hiperespectrales adquiridas por sensores de satélite que trabajan en el rango visible e infrarrojo cercano del espectro electromagnético. El objetivo principal es desarrollar herramientas operativas que proporcionen mapas con la ubicación de las nubes a partir de los datos de satélite adquiridos. Además, el método debe proporcionar mapas de la abundancia de nubes (en lugar de una clasificación binaria) para describir mejor las nubes (abundancia, tipo, altura, cobertura subpixel). En este contexto, esta Tesis analiza dos sensores multiespectrales a bordo de dos satélites de la Agencia Espacial Europea (ESA). El primero de ellos es el MEdium Resolution Imaging Spectrometer (MERIS), a bordo del satélite medioambiental Envisat. El segundo es el instrumento hiperespectral Compact High Resolution Imaging Spectrometer (CHRIS), a bordo del satélite de demostración tecnológica PROBA. El algoritmo de detección de nubes propuesto aprovecha la alta resolución espectral y radiométrica de MERIS, y el número de bandas espectrales de CHRIS, así como la ubicación específica de algunas bandas (absorción del oxígeno y vapor de agua) para aumentar la precisión de la detección de las nubes. Para alcanzar este objetivo, técnicas avanzadas de reconocimiento de patrones y aprendizaje máquina han sido específicamente desarrolladas en el marco de esta. En primer lugar, se lleva a cabo la extracción de características basadas en fundamentos físicos con el fin de proporcionar información relevante a los algoritmos empleados. Después, el algoritmo de detección de nubes se ha concebido tratando de hacer uso de la riqueza de las muestras sin etiquetar de las imágenes, por lo que se exploran métodos de aprendizaje no supervisados y semisupervisados. Los resultados muestran que los algoritmos de agrupamientos no supervisados sobre la imagen completa nos permite aprovechar la riqueza de la información y el alto grado de correlación espacial y espectral de los píxeles de la imagen, mientras que los métodos de aprendizaje semisupervisado ofrecen también la oportunidad de explotar las muestras etiquetadas disponibles.