遥感技术广泛应用于地理学、国土科学、生态环境学等多个领域,是获取地理信息数据的重要手段之一。遥感影像是传感器在轨道运行中对地观测的影像,主要分为全色波段影像、高光谱影像、多光谱影像和雷达影像。但遥感影像在成像过程中会受到传感器故障等诸多因素的影响,难以避免局部信息丢失,这个问题严重制约了遥感影像的应用。精确重建丢失的遥感影像信息对遥感影像数据分析与应用有着重要的意义。国内外已有许多关于影像修复的算法。这些算法大都需要建立退化模型与获取传感器平台参数。一般情况下,有些退化的影像很难找到相应的模型来表达,平台参数的获取也比较困难。因此,建立一个准确而高效的固定修复框架,对于遥感影像的修复具有重要的意义。近年来,以卷积神经网络(Convolution Neural Network,CNN)为代表的深度学习算法在遥感影像的分类与识别中体现了强大的性能。本文在CNN的基础上构建FCN修复框架模型,通过样本训练建立框架间的映射关系,并构建空间尺度提升FCN修复全色波段遥感影像效果;基于FCN遥感影像的对象分割,在同类地物上寻找相似像元,通过相似像元替换实现遥感影像的光谱修复。本文主要研究内容如下:(1)通过训练约30000个不同的遥感影像样本,建立全卷积神经网修复模型。选取若干个影像添加噪声并输入修复模型,当任意一一个输出的影像与它对应的清晰影像样本高度相似时停止训练,固定网络参数,生成修复模型。选取一幅遥感影像模拟三种信息丢失类型分别对比插值法、维纳滤波两种方法的修复效果,得出本文的方法在平均PSNR、SSIM与时间上均优于上述两种方法,验证了全卷积神经网络修复模型的有效性。(2)为了提升FCN的修复效果,采用高斯金字塔(Gaussian pyramid)与拉普拉斯金字塔(Laplacian pyramid)分解影像,通过构建空间尺度来抑制影像噪声,融合不同尺度修复后的影像。通过实验证明了多尺度融合的方法在原有修复模型的基础上PSNR与SSIM分别提升了1.403和0.149。有效的提升了FCN修复框架的遥感影像修复质量,尤其是对于遥感影像全色波段的纹理修复。(3)结合均值漂移分割(Mean-shift)法有效的提高FCN在遥感影像上同类地物的分割精度,遵循各波段像素值差的绝对值均值最小与像元之间相关性原则来寻找相似像元并通过位置查找来进行像元替换。在相同类别的地物上寻找相似像元极大的降低了“同色异物”的错分概率。并对修复后的影像光谱进行分析。结果表明,基于FCN分割的相似像元替换法在有效的还原了遥感影像的光谱信息。