高分辨率卫星遥感影像具有覆盖范围广、宏观可视化程度高等特点,被广泛应用于城市规划、地图制图、环境监测等领域。随着我国科学技术的发展,国产高分辨率遥感卫星影像的空间分辨率不断提高,大大扩大了遥感影像的应用范围。但在卫星成像和数据传输过程中,卫星受到成像环境、硬件条件等各种因素的限制,高分辨率卫星遥感影像上普遍存在条带噪声,严重影响了影像的判读和解译。因此,对高分辨遥感影像上的条带噪声进行去除具有重要意义。条带噪声成因复杂,表现形式多样,而现有的去噪方法通用性较差,且严重依赖人工特征和去噪参数的选择,无法满足去噪效果与效率的平衡。因此,本文针对高分辨率遥感影像中的条带噪声问题,提出了一个基于注意力机制的多尺度条带噪声去除网络,主要研究内容如下:（1）条带噪声数据集构建。由于重访时间、辐射校正等因素的制约,真实噪声影像与无噪声影像的样本对较难获取,为了满足网络训练的需求,需要对噪声影像进行模拟。在无噪声影像上添加均值为零,标准差不同的高斯白噪声来获取不同噪声强度的影像。考虑到网络输入的限制,把噪声样本及其对应标签切割为128×128像素大小,并对应编号。最终本文共生成标准差为5、15、30、50四种噪声强度的共计16000张训练样本。（2）条带噪声去除网络构建。为同时保证网络的训练速度和去噪精度,本文提出了一种基于注意力机制的多尺度条带噪声去除网络,网络一共分为三个模块:特征提取模块、特征融合模块、影像去噪模块。特征提取模块利用多尺度特征提取结构和跳跃连接机制实现了噪声影像特征的充分提取,特征融合模块采用元素相加的方式实现不同尺度特征的融合,影像去噪模块利用注意力机制和残差学习策略预测噪声影像上的条带噪声分量。为了充分使用条带噪声的方向性特征,网络在预处理阶段对影像进行梯度计算,并把梯度图作为影像的补充通道一起输入到网络中进行训练。本文通过消融实验证明了网络结构的合理性。（3）高分遥感影像上条带噪声去除。以模拟影像和真实噪声影像为实验数据,将本文方法与其他一些条带噪声去除方法进行实验对比验证。采用定量指标、目视判别、列均值折线图三种方式对实验结果进行比较和分析。实验表明,本文方法在模拟影像和真实影像上均表现出最好的去噪效果,在不同噪声强度的模拟影像中均取得了最高的PSNR和SSIM值,在真实影像上取得了最好的ICV和MRD值。从目视效果和折线图上看,本文提出的方法能够在去除条带噪声的同时很好的保留地物的细节信息,且预测的像素值与原始图像最为相似,充分证明了本文方法的优越性。