对地观测技术的快速发展,卫星遥感影像的时间分辨率,空间分辨率和光谱分辨率不断提高,越来越多的遥感影像被获取并广泛的应用于生产生活。由于云雾的影响使得卫星获取到的遥感影像上的地面物体被遮挡或产生模糊,特别是在可见光波段影响更为严重,制约了遥感影像的使用。根据云层对遥感影像的影响不同可将其分为薄云与厚云,厚云的云层较厚,地面反射信号完全无法穿过云层,使得获取到的影像完全丢失地面物体信息。薄云呈不规律分布的半透明状,地面物体的反射信号可以部分穿过薄云,卫星获取到的影像是地面反射信号和薄云的反射信号叠加,使获得的遥感影像模糊。从模糊的薄云遥感影像上恢复地面物体的辐射信息,对提高遥感影像的利用有着重要的意义。随着深度学习的发展和计算机硬件计算能力的提高,深度学习在图像恢复领域表现优异,本文使用深度学习的方法去除遥感影像上薄云恢复清晰的地面物体信息。本文针对遥感影像中地面物体尺度差异较大并且颜色相似的像元分布相对离散的特点,提出了一种针对遥感影像的多尺度特征提取网络结构,利用多尺度特征提取网络和注意力机制去除遥感影像上薄云影响的同时保留更多的清晰的地面物体信息。本文采集了多景Landset-8卫星遥感数据并使用符合筛选条件的36景数据制作了成对的薄云数据集,为了消除卫星重访周期内地面光照等条件的变化对于测试结果的影响,本文利用真实的薄云影像、无云影像和柏林噪声合成了成对的仿真数据集。本文提出的方法在真实数据集上测试峰值信噪比和结构相似性分别为23.186和0.841,在仿真数据集上测试峰值信噪比和结构相似性分别为28.489和0.959,与同态滤波、暗通道先验、McGANs、RSC-Net、AECR-Net、Res2Net相比本文的方法可以更有效去除薄云影响。