霾监测是环境治理中的关键问题之一。地面观测站进行霾监测耗时耗力,而当前基于多光谱遥感的霾识别精度较低。本文针对星载高光谱遥感数据,研究基于深度学习的霾监测技术。主要工作如下:1)霾的物理特性和光谱特性研究。研究霾的成分、湿度、颗粒大小等物理特征,结合Hyperion数据分析霾的光谱特性。在平均情况下,霾天尤其是重霾天气,卫星传感器接收到的辐射强度会略高于正常天气。但实际的光谱曲线比较复杂,不易区分,需要借助深度学习架构进行识别。2)提出一种基于深度置信网络(Deep Belief Network,DBN)的高光谱遥感数据霾监测方法。DBN通过限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)逐层训练的方式初始化神经网络权值,使得网络的权值一开始就处于近似最优解,降低后续训练的难度。随机隐退(Dropout)的加入进一步提高了模型的泛化能力。苏州地区高光谱数据试验表明,基于DBN霾监测方法的性能优于SVM和传统人工神经网络方法。3)提出一种基于深度残差网络(Deep Residual Network,ResNet)的高光谱遥感数据霾监测方法。ResNet针对高光谱曲线的输入,在使用了一维卷积的深度卷积网络中引入残差捷径,使得训练过程的残差可以跨层向上传递,大大降低了训练难度,提高了模型精度。实验表明,基于ResNet霾监测方法的性能优于经典的深度卷积网络和DBN。4)霾监测演示系统。演示系统支持多种遥感数据格式,实现了数据读入与显示、数据处理、结果评价与输出等功能。