目前,遥感影像在军事、农业、林业等领域得到了广泛应用。薄云在遥感影像中产生的模糊感,降低了遥感影像的质量,给地物分类、目标检测带来了严峻挑战。传统的去薄云算法并不能有效满足实际生产工作的需要。本论文以Landsat-8卫星陆地成像仪（Operational Land Imager,OLI）为实验对象,以云雾去除领域常用的大气散射模型为理论基础,构建物理驱动的去薄雾卷积神经网络;并根据遥感影像中薄云分布的特性,改进大气散射模型参数,设计遥感影像去薄云的卷积神经神经网络结构。本论文的主要研究内容与研究结果如下:（1）针对目前基于深度学习的遥感影像去薄云领域缺乏有效公开数据集,无法开展模型训练与测试的问题,本论文基于暗通道先验法从自然遥感影像中提取薄云掩模。同时,基于大气散射模型将薄云掩模叠加到清晰的遥感影像中,生成与真实的薄云遥感影像相似的合成遥感影像,得到开展遥感影像去薄云研究的数据集。（2）本论文基于大气散射模型搭建了物理驱动的去薄雾网络（Physics Driven Dehaze Network,PDDN）。实验研究结果表明在公共的近景数据集测试中,该网络在与训练集来源相同的测试数据集中,取得了最高的峰值信噪比（Peak Signal to Noise Ratio,PSNR）和结构相似性（Structure Similarity,SSIM）精度,分别为31.11d B和0.96;在与训练集来源不同的测试数据集中,也取得了最高的PSNR精度和SSIM精度,分别为22.27 d B和0.83,且体量平衡相对较好,为薄云研究提供网络结构基础。（3）针对目前遥感影像去薄云算法效果较差的问题,本论文在PDDN基础上设计单特征的去薄云网络（Single Feature Dehaze Network,SFDN）。实验结果表明该网络在制作的合成数据的测试集与验证集,均取得最佳的PSNR和SSIM精度,测试集为36.54 d B和0.98,验证集为27.69 d B和0.87;对三幅真实的薄云遥感影像去薄云,去薄云后影像除近红外波段,与清晰影像相关性均有所提高。此外,地物分类精度有一定的提高,总体精度（Overall Accuracy,OA）分别提高了0.68%,0.72%,1.58%,Kappa系数（Kappa Coefficient,KC）分别提高了0.03,0.05,0.05。（4）为去薄云模型编写图形界面,可以实现设置读写路径,选择模型种类以及影像显示等功能,方便模型调用。