去雾一直是提高图像质量领域的重要研究方向之一,遥感图像去雾更是对后续遥感图像处理有着举足轻重的作用。获取遥感图像的硬件限制以及成本限制更是对提高遥感图像质量有更高的要求。遥感图像中雾气浓度不均匀、地物信息复杂以及数据集稀少的问题使得目前主流的适用于自然图像去雾的方法并不适用于遥感图像去雾,并且遥感图像中雾气浓度过浓容易造成遮挡问题,导致提高图像质量后该部分的信息依然模糊。因此针对以上问题,本文所做的具体工作如下:（1）本文使用基于对抗神经网络的无监督域适应方式,从不成对的遥感RGB图像和高分辨率遥感图像中学习二者的映射信息,进而得到高分辨率信息,能从遥感RGB图像中重构高分辨率遥感图像,丰富的高分辨率信息对于后续的去雾非常重要,能减缓遮挡的问题。由于重构后的图像是去雾方法的样本,因此重构的高分辨率遥感图像需要保留完整的雾气信息,针对这个问题,本文引入域分类器来调整生成器的参数,在重构图像中保留原始图像中雾气信息。考虑到重构图像的数据分布可能会与真实图像不同,本文再次引入一个生成器来调整重构图像的数据分布与清晰的遥感图像一致,为后续去雾任务添加助力。（2）本文基于图像重构方法在去雾样本中添加了高分辨率信息,且进一步与HSV颜色模型、YCb Cr颜色模型、LAB颜色模型相结合,拓宽了去雾样本的波段信息,这使得去雾后图像中雾气去除的更为彻底且细节保留的更为清晰。从上述的数据处理过程出发,本文提出了一种基于深度学习与雾气物理性质的雾气方法,使用金字塔密集连接的编码器-解码器网络以及U-Net网络来搭建去雾网络,且在网络中融入了雾气浓度的相关物理性质进行去雾。上述数据预处理以及去雾网络的设计使得本文方法不仅能在自然图像上取得较好的去雾效果,也能在遥感图像上表现优异。本文在图像重构方法和去雾方法上都进行了实验,使用PSNR以及SSIM评价指标来客观评价生成图像的质量,本文提出的重构方法以及去雾方法保留的边缘细节特征更好,且图像重构方法提取的高分辨率信息更为完整,去雾方法中克服了小雾团的现象,能得到去雾更为彻底的图像。