积雪是水文气象学的重要参数之一,积雪覆盖及其变化是当前研究中急需解决的重要问题。目前积雪覆盖数据主要由中分辨率成像光谱仪（MODIS）获取,但由于云遮挡的原因,其积雪产品存在较大范围无法观测到积雪信息的缺失像元,尤其在小流域尺度的去云处理受到了一定的限制。随着大数据与人工智能技术的发展,利用相关技术处理遥感影像来快速、准确地获取积雪信息已成为目前的研究热点。鉴于此,本研究首先构建一种降噪自编码神经网络模型,筛选模型适用数据,构建雪粒径与地形要素、土地覆盖类型之间的非线性关系,完成初步去云处理,提升积雪覆盖范围;其次,为进一步提升去云处理的稳定性与适用性,构建基于连续时序数据作为输入的双向长短期记忆网络（Bi LSTM）模型,联合注意力（Attention）机制,进一步去除剩余云像元。（1）为了弥补常见去云方法对地形与深层量化特征与积雪之间相关性研究的不足,本文提出通过降噪自编码神经网络（DAANN）、上下午结合法、极值雪线法相互补充的方法来进行去云处理。结果表明,DAANN模型能够高效、准确地定量填充雪粒径信息;极值雪线法能够对分布在低海拔的积雪误报进行处理,进一步提高雪盖提取精度。（2）为进一步提高算法的稳定性与适用性,提出一种改进的Bi LSTM模型。该模型结构包括多层感知机、Attention机制和Bi LSTM。相比较原始Bi LSTM模型方法具有更高的鲁棒性,能够更加全面的提取雪粒径特征信息,从而有效提升去云处理的准确性;将多层感知机与Attention机制相结合,以挖掘深层特征上的关键特征信息,克服大范围云覆盖的限制,使得去云精度得以提升,最终实现了对剩余全部数据的去云处理。结果表明,所提方法的去云精度达到了86%,相较于传统方法平均误差降低了18.27%,可以有效地去除流域尺度内较大范围的云覆盖。（3）基于以上去云研究,利用生成的逐日无云积雪数据,对2000年至2020年开都河流域积雪时空变化进行分析,其显示在流域尺度的年平均积雪覆盖日数受海拔影响较大。结果表明,春季与冬季的积雪覆盖日数变化趋势不明显,而夏季与秋季则变化较为明显。积雪覆盖范围年际变化表明,年际平均积雪覆盖范围在21年来总体呈逐渐增加趋势,而年际最小积雪覆盖范围呈下降趋势,表明开都河流域的常年积雪范围逐渐减小,这与全球气温上升有一定的影响。