随着空间遥感技术和电子信息技术的发展,人们可以通过遥感获得更丰富和精确的空间数据。它因其快速及时且信息量大的优点引起了人们的重视,但是现有卫星影像成像系统的结构缺点很容易导致捕获的影像含有云噪声。遥感影像是对地观测任务中最重要的资料,其中的云噪声严重干扰了地物目标成像,直观表现出来的是影像质量低、影像信息模糊和部分信息缺失等问题。这些情况极大了降低了遥感影像的可用性,如果无法复原这些影像,就会浪费大量的遥感影像或造成后续应用错误。另外,由于电子硬件设备的不断发展和深度学习理论的不断丰富,深度学习技术在遥感影像去云工作中发挥了越来越重要的作用。与传统的遥感影像复原技术相比,深度神经网络具有无需对其他参数进行人工测量即可进行影像复原的优点。但现存的薄云去除深度神经网络方法仍存在恢复效果不好而且体系过于庞大处理时间过长的问题,现存的厚云补绘深度神经网络方法也存在颜色偏差、修补痕迹明显的问题。所以本文利用了深度神经网络技术,采用两种不同的思路,分别对薄云和厚云进行了去除,研究内容如下:（1）本文针对遥感影像薄云去除任务提出了一个适用于遥感影像去薄云的轻量型多尺度残差神经网络模型MSAR-Defog Net（Muti-Scale attention residual network using for cloud remove）。该算法创造性地使用卷积核大小变化范围更大的多尺度特征提取模块,充分利用上下文信息辅助计算当前像素点云厚度,达到了消耗更少计算力去除薄云的目标。又配备了带有通道注意力机制的细腻卷积模块,为模型提供了提取细腻纹理特征的能力。实验证明,由本文创新提出的网络恢复出的影像有更真实的颜色、更细腻的纹理,表现更出色。此外,本文还提出了一个更全面更丰富的专用于遥感影像去薄云工作的数据集PRSC（pair remote sensing images with cloud）。该数据集包含了多种类型的薄云,使用它训练得到的网络可以恢复出更接近地面真值的清晰影像。（2）被厚云遮挡的信息需要使用影像补绘的思路进行修复,本文创新性地提出了一个使用Transformer原理与卷积技术的生成对抗网络TAGAN（Transformer Attention GAN using for remote sensing image inpainting）来提高补绘效果。该模型使用两个串联的编码器解码器结构,利用编码器从背景信息中学习需要的深度影像特征,接着使用解码器将学习到的高维特征重现为符合要求的影像特征。特征重现过程进行了两次,第一次利用Transformer机制从全局背景信息中学习全局像素之间的相关性,这种机制添加的位置信息可以令训练更稳定,令网络具备更强的特征学习能力。第二次利用局部相似性模块学习背景像素块和前景像素块之间的相似性,保证了模型可以最大程度利用影像中的已知信息完成对未知信息的填补。实验证明,本文提出的模型可以从背景信息中充分学习到更复杂的纹理,修补出更逼真的遥感影像。