Cloud detection on satellite imagery is an essential pre-processing step for several remote sensing applications. In general, machine learning based methods for cloud detection perform well, especially the ones based on deep learning as they consider both spatial and spectral features of the input image. However, false alarms become a major issue in winter images, wherein bright objects like snow/ice are also detected as cloud. This affects further image analysis like urban change detection, weather forecast, disaster risk management. In this thesis, we consider optical remote sensing images from small satellites constellation of PlanetScope. These have limited multispectral capacity of four bands: Red, Green, Blue (RGB) and Near-Infrared (NIR) bands. Detection algorithms tend to be more efficient when considering information from more than one spectral band to perform the detection. This study explores the data diversity provided by NIR band to RGB band images in terms of improvement in cloud detection accuracy. Two deep learning algorithms based on convolutional neural networks with different architectures are trained on RGB, NIR and RGB+NIR image data, resulting in six trained models. Each of these networks is tested with winter images of varying amounts of clouds and land covered with snow and ice. The evaluation is done based on performance metrics for accuracy and Intersection-over-Union (IoU) scores, as well as visual inspection. A total of eighteen experiments are performed, and it is observed that NIR band provides significant data diversity when combined with RGB bands, by reducing the false alarms and improving the accuracy. In terms of processing time, there is no significant increase for the algorithms evaluated, therefore better cloud detection can be achieved without significantly increasing the computational costs. Based on this analysis, Unibap iX10-100 embedded system is a possible choice for implementing these algorithms as it is suitable for AI applications. / Detektering av moln på satellitbilder är ett viktigt bearbetningssteg för flera fjärr analysapplikationer. I allmänhet fungerar maskininlärningsbaserade metoder för molndetektering bra, särskilt de som är baserade på djupinlärning eftersom de tar hänsyn till både spatiala och spektrala egenskaper i input bilder. Men falsklarm blir ett stort problem i vinterbilder, där medbringande föremål som snö/is också upptäcks som moln. Detta påverkar ytterligare bildanalyser som upptäckt av stadsförändringar, väderprognos, katastrofrisk-hantering. I denna avhandling tar vi hänsyn till optiska fjärranalysbilder från små satellitkonstellationer PlanetScope. Dessa har begränsad multispektral kapacitet på fyra band: röda, gröna, blå (RGB) och near-infrared (NIR) band. Detektionsalgoritmer tenderar att vara mer effektiva när man överväger information från mer än ett spektralband för att utföra detekteringen. Denna studie utforskar datadiversiteten som tillhandahålls av NIR-band till RGB-bandbilder när det gäller förbättring av molndetekteringsnoggrannheten. Två djupinlärningsalgoritmer baserade på konvolutionella neurala nätverk med olika arkitekturer tränas på RGB-, NIR- och RGB+NIR-bilddata, vilket resulterar i sex tränade modeller. Vart och ett av dessa nätverk testas med vinterbilder av varierande mängder moln och land täckt med snö och is. Utvärderingen görs baserat på prestandamått för noggrannhet och Intersection-over-Union (IoU) poäng, samt visuell inspektion. Totalt arton experiment utförs, och det observeras att NIR-bandet ger betydande datadiversitet när det kombineras med RGB-band, genom att minska de falska larmen och förbättra noggrannheten. När det gäller bearbetningstid finns det ingen signifikant ökning av den för de utvärderade algoritmerna, därför kan bättre molndetektering uppnås utan att nämnvärt öka beräkningskostnaderna. Baserat på denna analys är Unibap iX10-100 inbyggt system ett möjligt val för implementera dessa algoritmer eftersom det är lämpligt för AI-tillämpningar.