光学遥感图像在成像的过程极易受到大气环境的影响,其中云雾是最主要的影响因素。云雾改变了图像中地物的空间以及光谱特征,给后续的地物分类、目标识别以及定量遥感带来了巨大的挑战。云雾天气的高出现率使得如果仅使用无云图像会造成大量数据的浪费,并因可用数据过少而影响后续应用的效果。此外遥感卫星高昂的研发成本以及有限的使用寿命使得获取的每一张遥感图像都具有较高的成本,提高遥感数据的利用率对于国防与经济建设都具有重要意义。故本文选择光学遥感图像作为研究对象,对遥感图像中的薄云去除进行研究。具体内容如下:首先,研究了云雾粒子对于光的散射特性,详细分析了经典的云雾图像退化模型,并对光学遥感图像中薄云的空间特征,薄云污染的光学遥感图像的灰度剖面图和频域图像进行了讨论。云雾粒子对光的散射特性是云雾影响辐射传输的基础组成部分,进而引出了经典薄云雾存在时的图像退化模型;对薄云污染光学遥感图像分析得出:光学遥感图像中的薄云形态自由度非常高,薄云污染的光学遥感图像其像素灰度升高且像素间的灰度变化范围变小,降低了图像梯度使其频域图像集中在低频范围。其次,从物理模型的角度出发,针对光学遥感图像中浓度较低且较为均为的薄云,提出了基于辐射传输的改进暗通道先验薄云去除方法。通过对辐射穿过薄云过程的分析,以薄云的物理特性为基础,构建基于辐射传输的薄云成像模型。通过对遥感图像的分析改进了暗通道先验,联合遥感图像头文件中的相关数据,求取了上述薄云成像模型中相关的参数,实现了对无云图像的求解。此方法能有效降低薄云去除过程中的颜色失真,较为准确的恢复出地物信息。最后,针对基于统计先验的方法不能有效的去除浓度较大且不均匀的薄云,提出了基于卷积神经网络的薄云去除方法。利用卷积神经网络强大的特征提取能力,对薄云污染图像中的薄云进行特征提取,为避免透射率较小易造成图像失真的问题,使用卷积神经网络学习薄云污染图像退化的逆过程,直接生成无云图像。针对基于神经网络的薄云去除算法缺少训练数据集的问题,利用海域像素都可作为改进暗通道像素这一先验条件,在海域薄云污染图像中提取薄云掩膜,并通过前文提出的薄云成像模型将薄云掩膜加入到无云图像中生成仿真薄云图像,构建了高质量的薄云-无云数据集并用于本节提出网络模型的训练。结果表明,本节提出网络模型能够在精确还原地物信息的同时有效的去除薄云。