遥感影像是目前唯一可以对地球进行大范围宏观观测的数据资源,在农业,军事,城市规划等领域得到广泛应用。然而遥感影像不可避免的受到云,雾等大气环境的污染,造成影像信息丢失,这些信息丢失的影像无法满足后续实际应用的需求,造成数据资源的巨大浪费。因此,对遥感影像的云区域进行检测并进行信息重建,可以有效提高遥感影像的利用率。本文分别对遥感影像云检测算法和云去除算法进行调研和研究发现,在云检测方面,因为不同遥感卫星传感器设计的波段分布不同,基于多波段的云检测算法只能适用于特定类型的遥感数据。基于机器学习和深度学习的检测算法的适用性较好,但是算法的复杂度较高,薄云检测精度低。在云去除算法中,遥感影像薄云去除算法普遍存在高亮物体被过度校正和无云区域的信息丢失的问题。由于遥感影像具有多时相的特点,这些在同一区域不同时间获取的影像可以进行信息互补,因此本文主要研究了基于多时相遥感影像信息融合的云检测和云去除方法。本文的主要工作和创新点如下:(1)提出了基于参考影像信息融合的云检测算法。首先获取目标影像和参考影像的暗通道图像,通过阈值法得到初始厚云检测结果,对检测结果采用导向滤波进行优化。然后对非厚云区域利用核主成分分析算法(Kernel Principle Component Analysis,KPCA)提取薄云成分,最后利用阈值法完成薄云检测。通过对检测结果的正检度,漏检度和整体检测精度的评估结果表明,该算法能够对厚云和薄云进行有效检测,并且降低了因高亮地物信息干扰造成的误检率。(2)提出了基于参考影像信息融合的薄云去除算法。首先利用薄云影像和参考影像的差异估计大气透射率,运用到薄云去除模型后得到初始去云图像。然后以初始去云影像和原始影像的暗通道图像作为输入,获取薄云分布掩膜,最后利用小波图像融合算法对去云结果进行优化,得到最终的去云结果。通过以霾效应指数和结构相似度为评价指标对薄云去除结果的分析表明,当参考影像和薄云影像存在较大时相或地物差异时,该算法在对薄云进行有效去除的同时,很好的保证了去云结果的保真度。(3)提出了基于选择多源全变分模型的多时相遥感影像厚云去除算法。该算法针对现实中难以获取一张完全无云参考影像的问题,以多时相遥感影像中一张作为重建对象,融合其他时相图像信息完成图像重建。首先对多时相遥感影像进行亮度校正,降低影像间亮度差异。然后基于选择多源全变分模型完成图像重建,最后针对局部区域亮度信息不一致问题进行泊松图像优化。通过对去云结果的平均梯度和结构相似度的评估表明,该算法有效解决了选择多源全变分模型无法对选定目标影像进行重建的问题,而且保证了厚云去除结果的图像质量。通过对不同数据类型,不同地物类型的遥感影像进行实验,并与其他算法结果进行对比,本文提出的云检测算法和云去除算法均得到了更佳的处理效果,验证了本文算法的有效性和可行性。