多光谱遥感卫星数据具有时空分辨率高、直观性强、信息量大等特点,被广泛应用于海洋监管、农业调查、环境监测、军事侦察等领域,但成像过程易受云雾天气影响导致影像部分地物信息被遮挡,影像的有效应用受到严重干扰。依据云区下垫面是否被完全遮蔽,可将影像去云研究分为厚云去除与薄云去除两个方向,由于薄云区域的地物反射率仍有部分存留,从影像自身恢复薄云下的地表信息,对于提高影像利用率具有更重要的意义。受限于云雾浓度难以准确估计的客观事实,当前传统遥感影像薄云去除方法尚存在云雾去除不彻底、地物信息损失大的问题,而现有深度学习下的影像去云方法虽然在效果上有了较大提升,但依赖于高成本的监督学习策略,难以解决真实样本对获取困难与合成样本对无法完全符合真实数据分布的矛盾,导致在海量遥感影像自动化去云的实际工作中应用困难。为此,本文旨在摒弃基于数据标注对的监督学习策略,构建无监督深度学习下的“薄云-晴空”影像转换架构,将影像薄云去除问题转换为地表信息在薄云与晴空两种成像状态之间的转换问题,提出具备云雾特征与图像色彩感知能力的遥感影像薄云去除方法,从而实现薄云影像地物信息高保真重建。论文的主要内容概括如下:(1)形成了一套无监督学习下的“薄云-晴空”影像转换架构。以降低训练集创建成本为切入点,将训练对象扩展至数据域维度,构建了基于循环一致对抗网络的影像转换模型,设计了基于真实遥感影像的训练集低成本创建方案,在此基础上建立了完整的无监督训练框架,实现薄云影像与晴空影像的相互转换,为深度学习下的影像薄云去除研究提供了新的思路。(2)提出了“薄云-晴空”影像转换架构下的薄云去除方法。设计了基于生成对抗网络的薄云特征提取算法,制定了薄云特征下的改进训练方案,构建了HSV色彩空间下的影像色彩一致性约束,形成了具备云雾特征与图像色彩感知能力的影像去云方法,能够在尽可能降低地物信息损失的同时实现云区下垫面准确重建,并通过实验验证了本方法的可行性。(3)设计了影像薄云去除方法综合对比实验,并进行了应用案例测试。围绕本文所提出的影像薄云去除方法,设计了以经典去云方法为对照的对比实验,从视觉效果、图像质量及光谱特征三个角度对影像去云效果进行了综合评价;构建了去云影像在植被覆盖度估算与水体提取等遥感分析工作中的应用案例,验证了本文方法的科学性与实效性,并论证了其对于提高遥感影像利用率的积极作用。