首先，利用自洽约束生成对抗网络（SCGAN）建模布里渊增益谱（BGS）中的真实噪声分布，生成噪声数据用于去噪卷积神经网络训练。通过对高斯噪声和SCGAN生成噪声进行直方图统计和幅度谱分析，证明了两种噪声的差异。然后，利用2种噪声分别训练3种最新的去噪卷积神经网络，在不同温度、不同信噪比的实验数据上对比了各网络的性能。实验结果表明，所提方法能准确获取低信噪比BGS的布里渊频移，说明基于生成对抗网络的噪声提取方式能够有效地建模真实噪声，更好地训练有监督网络。

卫星对地遥感观测中，云和冰雪地表是两个重要的观测对象，由于它们辐射特性的相似性，使得冰雪区域上空云检测存在困难。针对高光谱观测卫星（高分五号02星）偏振载荷的数据特征，本文设计了一套冰雪上空云检测算法。该算法利用高分五号偏振载荷大气气溶胶多角度偏振探测仪和高精度偏振扫描仪的在轨探测多角度多光谱偏振辐射数据，协同进行云检测。首先，通过氧A带吸收通道的表观压强检测进行云和冰雪的初步区分，在此基础上利用多角度偏振散射特性进行冰雪上空的水云检测，利用卷云波段检测提高了冰雪上空的卷云检测效果，最后通过对常用的NDSI归一化雪指数进行改进，提高了冰雪上空的冰云检测精度。以格陵兰岛和南极区域为例，进行了冰雪上空云检测实验，并与成像时间相近的MODIS产品云掩膜产品MOD35进行比对，一致性分别为83.3%和94.4%。结果表明，本文提出的算法能够有效检测冰雪上空的云像元。

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。 该方法采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。