海雾是发生在海上或沿海地区低层大气中的水汽凝结现象,作为一种灾害性天气,海雾的发生通常伴随着大气能见度降低,会对海上交通运输、海产养殖、渔业捕捞以及沿海地区的交通、农业、电力、空气质量等产生不利影响。因此,实现对海雾准确有效地监测具有重要的意义。传统监测方式难以完成对海雾大范围、长时间的监测任务,随着卫星遥感技术的发展与应用,具有覆盖范围广、可连续观测等优势的气象卫星逐渐成为海雾监测不可或缺的技术手段。气象卫星提供了海量的遥感数据,对所获数据进行挖掘与分析,建立有效的监测模型,是实现海雾监测的关键。本文基于机器学习、深度学习理论,结合气象卫星数据,开展了利用静止气象卫星进行海雾监测的研究,主要工作如下:（1）提出一种基于遥感卫星及深度神经网络的白天海雾识别方法。本文通过Himawari-8遥感卫星提取云图光谱及纹理特征,并结合CALIOP星载激光雷达获取中高云、低云、海雾、晴空海表四类样本标签,利用深度学习方法构建深度神经网络模型,实现了白天海雾的有效识别。实验结果表明,该方法在海雾识别中效果较好,而且相比其它海雾识别方法也有更好的效果。（2）提出一种面向海雾识别的集成学习云分类方法。海雾识别中主要难点是在低层云雾中识别出海雾区域,直接进行多分类识别会增加模型训练难度,影响模型效果。本文结合卫星云图,开展中高云、晴空区域、低层云雾分类的研究,并以此作为下一步从低层云雾中分离海雾的基础。传统机器学习云分类模型依赖手工特征提取,仅能反映云图的浅层特征,虽然有利于以像素点为单位进行云图分类,但是作为孤立的样本难以体现图像全局特性,且容易受噪声的影响。深度网络模型能自动学习图像的深度特征,可以体现图像的全局特性,但难以精细刻画图像的细节与目标边缘。本文提出一种基于集成学习的云分类方法,首先,训练FSVM与深度网络模型,然后,利用元分类器对不同模型输出进行融合,得到了基于深度网络与FSVM集成学习的云分类模型,该方法通过不同模型间的互补性提高了云分类模型的鲁棒性和可信度。实验结果表明,与传统方法相比,本文模型在众多评价指标中有更好的表现,在具体案例中也有更高的识别精度。（3）提出一种结合注意力机制的海雾与低云识别方法。通过上一章云分类模型实现了中高云、晴空、低层云雾的分类,在此基础上,有效地将海雾从低层云雾中分离是本章的研究重点。由于遥感数据中海雾及低云相似性较高,使用传统深度学习模型进行海雾与低云识别的准确性受到限制。为此,本文引入注意力机制,首先利用遥感数据与气象监测数据构造数据集;接着,在U-net网络的基础上进行改进,分别加入空间注意力模块和通道注意力模块,使模型为目标区域分配更高的权值,改善模型识别效果。利用该模型进行海雾与低云的分离,通过实验验证发现,融合空间、通道注意力机制的海雾识别模型具有较好表现,而且对于较小的海雾区域也有不错的识别效果。