La detección de nubes y sombras de nubes en imágenes de teledetección es una técnica de preprocesamiento importante para el análisis cuantitativo y la cartografía a gran escala. Para resolver los problemas de detección de nubes y sombras de nubes basados en modelos de Redes Neuronales Convolucionales, como bordes irregulares e insuficiente precisión general, se estudió la segmentación de nubes y sombras de nubes basada en Swin-UNet en imágenes de amplio campo de visión (WFV) de GaoFen-1 (GF-1). Los bloques del Transformador Swin ayudan al modelo a capturar características de larga distancia y obtener información de características más profundas en la red. Este estudio selecciona un conjunto de datos público de detección de nubes y sombras de nubes GF1_WHU para el preprocesamiento y la optimización de datos, y realiza experimentos comparativos en diferentes modelos. Los resultados muestran que el algoritmo funciona bien en vegetación, agua, edificios, tierras áridas y otros tipos. La precisión promedio de la detección de nubes es del 98.01%, la recuperación es del 96.84% y el F1-score es del 95.48%. Los resultados correspondientes de la detección de sombras de nubes son del 84.64%, 83.12% y 97.55%. En general, en comparación con U-Net, PSPNet y DeepLabV3+, este modelo tiene un mejor desempeño en la detección de nubes y sombras de nubes, con límites de detección más claros y una mayor precisión en condiciones de superficie complejas. Esto demuestra que Swin-UNet tiene una gran capacidad de extracción de características en imágenes de teledetección de resolución moderada y alta.