近年来,遥感技术快速发展,遥感图像被广泛应用于城市建设、地质灾害检测以及农林业调查等各个领域。但是雾霾的存在会影响获取到的遥感图像质量,给遥感图像的应用带来诸多障碍。因此,对遥感图像去雾进行研究是非常有意义的。本文基于深度学习技术,对均匀有雾遥感图像和非均匀有雾遥感图像分别进行了去雾方法研究,主要工作如下:（1）针对均匀有雾遥感图像,利用残差网络和注意力机制对基于深度学习的自然图像去雾方法进行改进,使得改进后的去雾方法可以更好地处理均匀有雾遥感图像。残差结构可以加深网络,提高网络对图像特征信息的提取能力。注意力机制使得网络能够更加合理地分配利用内部资源,从而改善网络性能。实验结果表明该方法在合成均匀有雾遥感图像和真实均匀有雾遥感图像中都取得了较好的去雾效果。（2）针对非均匀有雾遥感图像,将平稳小波变换与深度学习技术相结合,提出了一种基于编码器-解码器架构的遥感图像去雾方法。网络的编码器模块利用标准卷积和扩张卷积组成的混合卷积来提高图像特征提取能力,解码器模块利用小波通道模块得到的图像低频信息来提高重建图像的质量,从而提高网络处理非均匀有雾遥感图像的能力。通过对比实验表明,该方法在非均匀有雾遥感图像的去雾效果上取得了一定的优势。（3）利用大气散射模型,构建了均匀有雾遥感图像数据集和非均匀有雾遥感图像数据集分别训练两种基于深度学习的遥感图像去雾方法。在合成均匀有雾遥感图像时,透射率随机取值,利用大气散射模型合成最终的均匀有雾遥感图像。在合成非均匀有雾遥感图像时,提出了一种新的有雾图像合成方法,即利用真实有雾遥感图像的透射率,结合大气散射模型以及雾在YCb Cr颜色空间中的分布特性合成最终的非均匀有雾遥感图像。