遥感图像在成像过程中往往极易受到大气环境的干扰,使得遥感图像被厚云遮挡的区域存在信息缺失现象。遥感数据在我国行业应用中发挥着愈来愈重要的作用,而云污染的不可避免造成了信息缺失从而大大降低了成像质量,给遥感图像后续各个行业的应用造成了困扰。因此,通过云检测剔除云层较多的遥感影像,对云层少且地物信息仍具有可用性的遥感影像进行厚云去除,是遥感图像很多领域应用的基础前提。本文的研究内容是解决遥感图像厚云覆盖问题,即通过云检测得到云和阴影的位置,并利用多时相互补信息进行去除。云检测实质上是一个分类问题,将云及其阴影归为待检测的一类,其它地物类型归为一类。厚云去除实质上是缺失信息重建的过程,遥感图像缺失信息重建的方法主要分为基于多时相的方法和基于多光谱两类重建方法。由于深度学习技术的日益成熟,遥感图像处理领域有了新的方向和更为先进的结果,其主要代表算法主要是基于卷积神经网络（CNN）和基于生成式对抗网络（GAN）。将深度学习引入信息重建中,给遥感图像云检测与厚云去除的研究发展和创新带来了新的突破。论文的主要工作和创新有:（1）在厚云去除前需要通过云检测算法获取云蒙版,针对普通卷积网络容易将云阴影、水体信息和山体信息错分漏分,以及对薄云、碎云的检测较差的情况,基于U-Net种种优势,提出GAM-DUnet云检测方法。该方法以U-Net为主框架,加入空洞卷积扩大感受野,再加入全局注意力机制GAM放大全局跨维交互,能够捕捉更多不同尺度和不同维度的信息,减少信息弥散,降低运算量从而提高模型性能。使用不同云覆盖场景进行云检测实验,验证了该算法对遥感图像云及其阴影检测的有效性。（2）由于厚云及其阴影导致的光谱信息缺失几乎存在于所有的波段,增加了基于多光谱方法实现厚云去除的难度。针对这个问题,本文在基于多时相方法的基础上结合了一种生成式对抗网络,对遥感图像厚云及其阴影缺失区域进行重建。该方法能够减少信息丢失,提高输出分辨率,促进生成更具有全局一致性和局部一致性的重建结果。使用不同的遥感图像数据集进行模拟实验和真实实验,验证了该方法能有效去除遥感影像中的厚云及其阴影。