遥感技术在近几十年来得到了高速的发展,遥感光电图像资源正成为宝贵的财富。如何科学、高效地处理遥感图像,使之多维度、多信息的优势得到充分发挥,是当前研究的重点。一方面,对于遥感图像预处理的需求依然旺盛。飞行器在高空采集的图像常常受到云雾的干扰,图像质量下降,目标模糊不清晰,不利于测绘、侦察等任务的开展。另一方面,传统的先验特征提取法的目标识别准确率不高,在实际应用场景中起到的作用十分有限。深度学习神经网络的出现给问题的解决提供了新思路。本文基于图像去雾算法和卷积神经网络方法,围绕遥感图像预处理和特征提取技术中存在的问题,开展相关研究,并提出创新:(1)目前基于模型的去雾算法虽然能够从大气散射原理上出发去除云雾,但对于天空等大面积的高亮度区域表现不佳,容易出现亮度过大等失真问题,且图像整体对比度难以调控;基于非模型的方法计算量较小,处理速度更快,但方法适用性不足,无法满足多场景下的效果需求。针对这两种算法的特点,本文提出了基于灰度损失函数的图像去雾算法,改进并设计灰度损失函数模型,将图像去雾前后的灰度进行量化对比,对图像去雾的程度和效果实现定量评价。该算法将模型法与非模型法的特点结合起来,充分发挥图像复原和图像增强方法各自的优势。通过实验数据对比,能够证明本算法对图像去雾具有实际意义。(2)在传统图像特征提取领域,通常基于先验的知识提取图像目标特征,例如纹理、边缘、颜色特征。基于先验的方法占用的计算资源较少,已经能够在部分飞行器等部分机载平台上使用。随着应用需求的不断提高和应用场景的扩大,传统方法已显得不从心。近年来,深度学习神经网络正成为图像特征提取的主流。本文在卷积神经网络现有的研究基础上,提出了轻量化的遥感图像特征提取网络,将图像的深层特征与浅层特征相融合,降低了特征在网络传输中的风险损失。同时,应用传统图像特征提取方法,对图像进行多尺度、多方向Gabor变换,得到Gabor纹理特征向量。将先验特征与卷积神经网络特征有机融合,减轻深层网络带来的计算负担,并有效提升提取到特征的可靠性。通过大量数据集的测试验证,本算法对图像特征提取具有优化提升效果。