随着遥感传感器技术的不断进步,获取到的遥感数据量急速扩大,然而与之对应的遥感数据信息提取技术却并没有取得突破性进展。虽然学者们对计算机自动信息提取算法进行了大量研究,然而由于问题的复杂性,众多成果大多数还停留在实验阶段,或者仍然需要大量人工劳动的辅助,这不仅耗费了大量的人力物力,而且生产效率低下,面对遥感的大数据已经显得严重不足。基于以上考虑,不管是科研还是生产都对高精度且高自动化程度的遥感数据信息提取技术有着迫切的需求。本文以高精度且高自动化的遥感数据信息提取方法为研究目标,探索了遥感卫星影像的云区自动提取和机载激光点云自动滤波的方法。论文主要研究内容包括:1)提出一种遥感影像云自动提取方法。针对云的形状尺寸特征变化大的特点,本文使用了在文本处理和图像处理领域均广泛应用的词袋(BOW)模型来对含云影像进行描述,BOW模型将从训练样本中所提取到的局部特征在特征空间进行聚类得到的聚类中心作为视觉词,接下来再根据从图像中提取到的密集局部特征对这些视觉词的响应直方图对图像生成鲁棒的描述子特征,然后使用此特征对图像进行训练和分类。最后本文再使用GrabCut算法对分类结果进行进一步的优化。2)提出一种三维激光点云特征映射方法。对于三维空间中的每一个激光点,通过提取该点周围一定范围内的相邻点与其的相对位置信息并进行一定的映射,从而对每个点提取的特征信息均能够映射成一个二维特征图,方便后续的训练和分类。3)提出一种三维激光点云自动滤波方法。对海量的训练样本点提取信息并分别映射为二维特征图之后训练一个构建好的深度卷积神经网络并用训练好的网络对未分类的点进行分类。4)提出一种三维激光点云滤波优化方法。在进行LiDAR点云滤波时,如果只孤立的对单个点进行分类是不够的,这样会出现即使得到了较低的错误率但是偶尔在部分场景由于个别错误点而导致点云构建的三角网中出现较明显的毛刺,考虑到生产中的点云滤波是为了得到准确且光滑的数字表面模型,所以在使用深度卷积神经网络对每个激光点进行标记后,本文使用全连接条件随机场基于相邻点的特征和标记加入平滑性约束,对滤波结果进行平滑,使得滤波后的点云更符合生产要求。