遥感图像成像范围广，具有丰富的地物光谱信息，在国土资源勘测、军事侦察、环境监测、农林业发展规划，应急救灾等诸多领域已经得到了广泛的应用。然而光学遥感卫星成像不可避免的会受到大气条件和气候条件的影响，获取的遥感图像中往往会含有成片的厚云和阴影，造成大量的地物信息缺失，给遥感图像的解译和应用带来了极大的困难。因此，对如何高效地去除遥感图像中的厚云和云影进行研究，有利于提高遥感图像的利用率和地物解译精度。目前较为高效地厚云去除方法是基于多时相的方法，该类方法借助多时相数据源的优势，充分利用多时相图像之间的空间关系和时相相关性，能够实现精度和质量较高的厚云去除。然而，现有的基于多时相的厚云去除算法性能并不稳定，应用条件受限，不能高效的解决季节和气候条件造成的光谱差异问题，所取得的厚云去除结果在辐射精确度和光谱一致性方面仍有较大的提升空间。针对现有的基于多时相的方法所存在的辐射精确度不足和光谱不一致问题，本文做了充分的研究，主要工作包含以下两个部分:　　研究了一种利用分类线性回归分析的厚云去除算法。传统的基于辐射校正的厚云去除算法忽略了不同地物信息间的辐射强度差异，采用的全局统一的方法进行多时相图像之间的光谱色彩校正，校正精度不足，导致去云过程中云污染区域信息重建的精确度不足。针对该问题，本文高效地利用多时相数据，首先利用遥感图像间的相似性度量指标从多幅多时相图像中选取较为相似的图像作为参考图像，考虑不同地物之间的辐射差异，利用稳定性和有效性较高的FCM聚类算法对参考图形进行聚类，将辐射强度特征相似的地物信息聚集起来，然后以目标图像为基准，对每一类地物信息数据进行分类线性回归分析以校正目标图像与参考图像之间的辐射差异，最后进行云污染区域信息替换，得到精确度较高的去云图像。　　研究了一种利用引导图像块平滑排序的厚云去除算法。现有的基于多时相的厚云去除算法大多仅适用于光谱差异较小的情况，当多时相图像之间存在由季节和大气环境变化导致的较大光谱差异时，采用这些方法所得到的去云结果精确度不足并存在光谱不一致现象，如何实现在复杂环境下的厚云去除是本文研究的一个问题。本文将基于图像修复方法的思想和基于多时相方法的思想结合起来，通过利用参考图像引导云污染图像进行图像块平滑排序，将无云参考图像中的空间关系特征加入到云污染图像中，提高了信息重建的精确度，通过利用无云区域的信息对加入了空间关系的云污染图像进行内插重建被云覆盖的地物信息，改善了光谱不一致现象，从而得到复杂情况下的高质量的厚云去除图像。　　通过与相关的基于多时相的厚云去除算法进行对比试验，结果表明本文提出的两种厚云去除算法分别在光谱差异较小的情况下，可以实现精度较高，时效性较好的厚云去除，在光谱变换较大的复杂情况下，可以实现精确度较高、光谱一致性较好且性能稳定的厚云去除。本文算法能够有效的去除厚云及其阴影，从而提高遥感图像的利用率和解译精度。