随着空间遥感技术和电子信息技术的深入发展,遥感影像进入了全面应用的新阶段,被广泛应用于地理数据获取、地球资源获取、军事应用、灾害应急监测、土地变化检测等多个领域。然而,在云雾情形下,通常会由于成像通道上光线能量的衰减而导致观测场景的图像大量细节信息的丢失,视觉上表现为能见度差、对比度降低。这些云雾影像不仅降低了遥感影像的质量,还会影响到如语义分割、目标检测、变化检测等后续遥感应用任务的精度。遥感影像本质上具有海量、多维、时效性强等特点,近年来,深度学习算法在人工智能领域兴起的同时,也在处理遥感数据方面发挥了优势,从海量训练数据里学习数据中高层抽象的特征,大幅度提高预测的准确度。因此,开展智能化的光学遥感影像去雾模型研究,对高效改善遥感影像质量具有重要的现实意义。本文针对光学遥感影像的去雾问题,结合云雾对遥感影像成像过程的影响、基于大气散射模型的透射率图估计、深度全卷积网络模型等理论,对单时相遥感影像去薄雾和多时相遥感影像云雾区域信息补偿的若干理论与算法进行了深入研究,设计了相应的去雾模型,主要工作包括以下几个方面:（1）总结了云雾在遥感影像中的物理成像原理,介绍了去雾模型中广泛使用的大气散射模型,并提出了透射率图的概念,将求解去雾后影像的问题简化为求解透射率图的问题;介绍了基于大气散射模型的几个较为创新的去雾算法,分析了其值得借鉴的概念和缺陷,为后续模型研究提供了必要的理论支持。（2）针对单时相影像去薄雾问题,提出并设计了基于全卷积网络模型的大气光强和透射率图联合回归去雾网络模型（Combined Regression De-haze Network,CRDN）。它采用同时估计透射率图和大气光强的办法,获取到无雾影像。实验证明,该模型得到的去雾影像色调接近无雾影像,能够很好地避免去雾不足或“过去雾”的现象。（3）为评价去雾模型的适用性,引入了多尺度结构相似度（MS-SSIM）、特征相似度（FSIM）、基于量化的梯度相似性（GSM）等指标来进一步优化上述模型。实验表明,优化后的模型更加贴合去雾任务的实际需求,同时也便于更客观、全面地评估不同去雾模型间的优劣;为了进一步验证联合回归去雾网络模型（CRDN）的有效性,将其应用于语义分割模型的预处理模块中,实验证明,轻微的云雾影响就会导致语义分割模型精度结果的大幅下降,而经过联合回归网络模型去雾后的云雾遥感影像可以在其他遥感影像解译任务中获得更好的精度。（4）为了提高模型的应用效能,在实践中恶劣条件下卫星遥感影像及无人机影像的预处理工作广泛应用的基础上,提出了智能化的CRDN+网络模型结构,设计了用于语义分割的CRDN+网络模型,并为该模型设计了一套独有的损失函数。新的模型可用于语义分割等遥感影像解译任务的预处理模块,当不做额外fine-tune训练时,模块效果等价于使用联合回归网络CRDN进行去雾后再语义分割的效果;当进行fine-tune训练后,可使语义分割精度显著提升。（5）针对多时相影像去厚雾问题,提出并设计了基于透射率图的云雾区域信息补偿模型,把云检测任务和云下像元恢复任务结合在一起,将云雾对光学遥感影像的影响量化为权重函数这一指标,结合同一区域下各时相的所有影像信息来恢复云雾影像,较好地解决了光学遥感影像的云雾区域信息补偿问题。