遥感数据出现厚云遮挡地物是图像预处理中最常遇到的一种情况，它不仅影响了遥感图像数据的成像质量，而且还在一定程度上降低了地物解译和判读的准确性。因此，探讨如何有效地检测并去除厚云是遥感图像预处理阶段中重要的任务之一，这对提高遥感数据的有效使用有着十分重要的意义。　　本文在分析人工神经网络（ANN）与支持向量机（SVM）算法原理的基础上，对厚云的检测与去除方法进行研究。分别利用SVM的改进方法最小二乘支持向量机（LS-SVM）进行云检测、使用人工神经网络做云去除处理。主要研究内容和成果包括以下几个方面：　　1．分析光学遥感影像中云检测与去除的研究背景和研究意义，总结了国内外学者对云检测和云去除两个方面的研究现状。　　2．研究支持向量机和人工神经网络两种模式识别的计算原理和推导过程。另外，根据经典支持向量机存在的不足，指出最小二乘支持向量机对SVM的改进算法。同时总结了LS-SVM和BP神经网络在遥感图像中的应用情况。　　3．研究了遥感图像厚云及其阴影的检测原理和实现方法。最优云变换法（HOT）在厚云边界的半透明区域具有非常好的检测效果，但对高亮体（如干燥裸地、沙漠、雪、建筑物等）却不敏感。针对这一问题，本文提出一种基于LS-SVM的云检测方法：首先利用HOT算法突出云区信息并抑制下垫面地物的光谱，初步阈值分割云区像元；然后提取高亮体的分界样本点作为支持向量，利用LS-SVM检测高亮体；最后在HOT云检测结果中剔除高亮体像元，得到只含有云像元的检测图。实验结果证明，该方法的检测精度以及适用性相对于原有HOT法有所提高。　　4．研究了遥感图像厚云及其阴影的去除原理和实现方法。针对多时相影像间光谱信息存在非线性关系问题，提出一种基于人工神经网络的光谱差异消除法。根据地物类别提取样本点，以样本点特征为依据进行人工神经网络模拟，再将整幅参考影像的像元灰度值作为预测数据输入模拟好的神经网络，最终输出与目标影像光谱特征相近的图像，从而对云区与阴影像元进行补偿修复。与其他方法的实验结果相比，神经网络的光谱匹配图像与原图最为接近，云区修复效果较好。