无人机、卫星等在获取高分辨率遥感影像过程中,不可避免地存在云层遮挡问题,这对遥感影像应用造成一定程度的干扰,因此云检测技术在遥感图像处理中起着重要作用。由于云的多样性和下垫面的复杂性,目前大多数遥感图像云检测方法仍面临着很大的挑战,尤其是对薄云的漏检及雪与云的误检。同时由于卫星和地面的信息传输的带宽有限,图像需要经过压缩才能在有限的带宽资源下传输到地面,因此提高图像压缩的性能和效率也是迫切需要解决的问题。针对上述问题,本文基于高分一号卫星遥感图像数据,设计了一种联合离散小波算子、暗通道先验以及多尺度注意力机制的语义分割网络用于多谱带遥感图像的高精度云检测,充分利用了图像的纹理和边缘细节信息,缓解了上下采样过程中细节信息严重丢失的问题,改善了神经网络学习特征过程中的随机性以及背景与目标云区域对比度低导致的检测精度下降的问题。面向Landsat-8卫星遥感图像数据集,提出了一种基于感兴趣区域的图像压缩算法,该算法包含多层超先验概率估计模型,通过预测隐层特征表示的分布情况,来辅助图像进行熵编码,并且通过码率和失真的权重调整,实现深度学习框架下的码率控制。本文还设计了多尺度感兴趣区域注意力机制,通过适当忽视云层遮盖的范围以实现图像的差异化压缩,更好地恢复遥感图像中的地物区域。本文主要研究内容和创新点如下:（1）现有的端到端的语义分割网络结构中,常用的上下采样方法会造成图像空间的相对位置信息及细节信息严重丢失,大大增加了网络提取特征的难度。针对这一问题,提出了一种基于离散小波算子的上下采样模块,通过使用Haar小波变换,并联合卷积提取特征,不仅可以改变图像特征的尺寸,还可以提取多个方向和尺度的图像边缘和纹理特征子带,充分保留了图像的结构信息,从整体上解决了图像空间位置信息和纹理边缘细节丢失且难以重建的问题。实验结果表明基于小波变换的上下采样模块能够提升网络0.54%的准确率并降低2.83%的虚警率。（2）针对高级特征层空间位置信息模糊和网络特征提取过程缺乏针对性的问题,本文设计了多尺度暗通道先验提取模块和连续多尺度空间注意力模块,用于加强多尺度特征图的有用空间信息,并抑制无效信息。暗通道先验在云区和地物的对比度上表现出优异的特性,可以清楚地区分云和地物。使用暗通道先验来辅助网络学习云的特征,引导网络对关键区域的信息投入更多的注意力,能够显著提高网络的效率和针对性。（3）为了改善高分辨率图像中云区域边缘分割不够精细的问题,本算法利用空洞空间卷积池化金字塔来对原始图像进行多尺度的特征提取。通过对原始图像使用不同膨胀率的空洞卷积有效捕捉多尺度信息,从而补充图像恢复过程中缺乏的空间信息,实现对不同感受野的云区域特征的学习。实验结果表明该设计能够在不影响准确率的基础上降低1.77%的虚警率。（4）本文将语义分割网络检测出的显著性目标云区域作为感兴趣区域引入图像压缩网络中,利用超先验熵估计模型来估计隐层特征表示的分布情况,通过加入多层超先验结构实现特征的进一步压缩,减少了空间冗余。同时,为了进一步减少非感兴趣区域信息的码率,实现差异化压缩,本文设计了多尺度感兴趣区域注意力模块和相应的图像压缩算法,旨在对原始图像中的非云区域在不同尺度上进行增强,从而达到更好的重建性能,实现了多尺度约束下的感兴趣区域图像压缩。