遥感影像在多领域的研究中都得到了广泛应用，然而其成像过程容易受到大气状态的影响，使得传感器测量值与实际地物光谱间存在辐射差异。该辐射差异在遥感影像上表现为云雾覆盖，会降低图像对比度、产生颜色偏移等现象，进而对数据后续应用造成负面影响。因此，应用遥感影像薄云雾校正技术为遥感应用研究提供高质量数据，具有十分重要的意义。传统的云雾校正算法对先验知识要求较高，且往往依赖于特定波段的辅助计算，在实际应用场景中存在适用能力不强的问题；又由于同一时空条件下遥感影像的唯一性，常规深度学习算法在构建相邻时相“云雾-晴空”配对数据集时，存在数据量受限、训练成本高等问题。因此，本文提出一种耦合云成像机理的不配对云地信息盲分离方法（BSM_UCGI，Unpaired Cloud-Ground Information Blind Separation Method Coupled with Cloud Imaging Mechanism），拓宽参考数据的时空边界，有效缓解训练数据配对困难的问题，并通过对云地信息的分离实现高效精确的云雾识别与校正。主要工作内容及创新点如下：（1）构建了基于空间自适应的信息交互盲分离网络(SABSNet, Spatially Adaptive Blind Separation Network of Information Interaction)。通过创建空间互补注意力对显著特征信息进行定位，并交互激活函数在云地分量上的抑制信号，最终实现云地特征的自适应分离。（2）提出了耦合云成像机理的“分离-重构”循环网络架构。该架构以生成对抗网络为基础嵌入云成像模型，以SABSNet为生成器分离降质影像的云地信息，辅以判别器判别分离结果，继以云成像模型重构降质影像从而形成循环，充分挖掘并复原降质影像上的云地特征，解决了现实情况下的配对数据缺失问题。本文实验分为两部分：（1）SABSNet网络性能评价实验；构建“云雾-晴空”配对数据集，对比SABSNet与UNet、ResNet、YTMTPS、YTMTUS、RSCNet、SPAGAN六种深度学习模型在云雾校正任务上的表现，SABSNet在定量指标PSNR、SSIM上取得最高评价，在目视校正效果及实验效率上具有优势。（2）BSM_UCGI云雾校正实验；对比BSM_UCGI与HOT、DCP、CCM_SL的遥感影像云雾校正效果，BSM_UCGI表现出一定优势。

云雾识别及校正,遥感,云成像机理,自适应分离网络,不配对数据