遥感影像是目前可以大范围获取海洋、大气和地球表面信息的数据资源，在农业、军事和城市规划等各个领域发挥重要作用. 但是在影像观测过程中会受到云雾等污染因素的影响，导致遥感影像信息缺失，在实际应用中造成巨大的资源损失和浪费. 因此，如何对遥感影像云雾覆盖区域进行检测并对其进行校正和修复是国内外专家广泛关注的具有挑战性的难点问题. 全面综述其研究进展，总结了现有遥感影像云层检测和去除的挑战；根据是否利用深度学习技术将云检测方法分为2大类，根据是否利用辅助影像将云去除方法分为3大类，依照不同方法特性系统分析和对比了其基本原理和优缺点；基于上述总结在2组遥感影像公开数据集上分别对4种云检测、4种薄云去除和4种厚云去除方法进行了性能评测；最后讨论了本领域目前仍存在的问题，对未来研究方向进行了预测，希望能够对该领域研究人员提供有价值的参考.

如今，数码相机和智能手机在人们的生活中扮演着越来越重要的角色，已经成为人们感知世界、记录信息和沟通交流的主要工具. 当使用这些设备拍摄电子屏幕时，显示设备和摄像头传感器网格之间往往会发生混叠，通常导致图片中存在不规则分布的摩尔纹干扰图案，从而严重影响了拍摄图像的视觉质量效果. 因此，摩尔纹图案去除方法研究对于拍摄图像的后期处理具有重要意义. 为此，详细梳理了摩尔纹去除研究的发展脉络，并根据不同的适用场景和技术实现将现有方法分为2类：基于先验知识的摩尔纹去除方法和基于深度学习的摩尔纹去除方法. 鉴于深度学习网络中训练数据集的收集和对齐方式不同，该类方法又分为基于卷积神经网络（CNN）的摩尔纹去除方法和基于生成式对抗网络（GAN）的摩尔纹去除方法. 在此基础上，选择相同的公开数据集，对主流的深度学习方法进行算法实现和性能对比分析，并分别总结了各类方法的优缺点. 最后，对未来的研究方向进行展望.

文物极易因为保存不当而导致部分结构或纹理缺失,而现有的图像修复技术由于受到先验信息和卷积操作的局限而无法直接应用于文物图像修复，为更合理地恢复文物图像原貌，提出了一种新的文物图像修复方法，将文物图像修复工作分为2个步骤：第1步使用Transformer进行粗略的图像重建并恢复连贯的结构；第2步使用卷积神经网络将粗略的重建图像进行上采样并恢复缺失区域的精细纹理. 考虑到目前国内外没有高质量的大型文物数据库，因此也提出了一个新的高质量大型文物图像数据库. 最终实验结果表明，在符合现实场景的破损修复实验和大面积破损修复实验中，修复效果在主观和客观评估中均优于当前图像修复算法. 同时，支持多元化输出，为修复人员提供多样化参考，极大地提升了文物修复效率.

在图像去雾领域中，目前多数去雾模型难以维持精度与效率的平衡，高精度的模型往往伴随着复杂的网络结构，而简单的网络结构又往往会导致低质量的结果. 针对该问题提出一个基于雾浓度分类与暗-亮通道先验的多分支去雾模型，通过对带雾图像分类，使用复杂度不同的网络来处理不同雾浓度的图像，可在保证精度的同时提高计算效率. 模型由轻量级雾图像分类器和基于暗-亮通道先验的多分支去雾网络2部分构成：前者将带雾图像分为轻雾、中雾、浓雾3类，输出雾浓度标签；后者包含3个结构相同、宽度不同的分支网络，根据雾浓度标签选择不同的分支网络处理不同雾浓度图像，恢复至无雾图像. 提出一个新的雾浓度分类方法以及基于该方法的雾浓度分类损失函数，可根据带雾图像的暗通道特征和恢复难度，结合生成图像质量和模型计算效率，得到对带雾图像合理准确的分类结果，达到去雾效果和算力需求的良好平衡. 提出新的暗通道与亮通道先验损失函数，用于约束分支去雾网络，可有效提高去雾精度. 实验结果表明，模型能够以更低的网络参数量和复杂度得到更优的去雾结果.

近年来基于分数阶微积分的信号和图像处理受到广泛关注. 目前常见的应用于图像处理的分数阶微分算子包括G-L（Grünwald-Letnikov）型、R-L（Riemann-Liouville）型和Caputo型3种.G-L和R-L算子尽管能对图像有着一定的增强效果，但其对图像对比度、清晰度的提升有限；而Caputo型微分掩模算子目前多限于（0,1）阶的低阶算子，其高阶次算子的研究和应用相对较少.对高阶次Caputo型分数阶微分算子及其图像增强应用进行研究，首先针对（1,2）阶、（2,3）阶次Caputo型分数阶微分构建一种基于向前差分的微分掩模算子，并对其误差进行了论证；其次进一步给出了更高阶次Caputo型分数阶微分算子的矩阵化表现形式；最后在此基础上将所提出的高阶次Caputo型分数阶微分掩模算子应用于图像增强.实验结果表明所提出的高阶次Caputo型分数阶微分算子取得了很好的图像增强效果，对提升图像的对比度、清晰度和平均梯度具有较为明显的优势.

微小目标的纹理模糊、包含特征少，是目标检测领域的难点.针对小目标检测提出一种新的上下文增强模块（context augmentation module, CAM）和特征提纯模块（feature refinement module, FRM）相结合的特征金字塔复合结构. 利用多尺度空洞卷积的特征融合，补充网络中的上下文信息；引入通道和空间的特征提纯机制来抑制多尺度特征融合后的冲突信息，防止小目标淹没在冲突信息中；同时，引入复制—缩小—粘贴（copy-reduce-paste）的数据增强方法提高小目标的占比，使训练时小目标对损失值的贡献更大，训练更加平衡.由实验结果可知，所提出的算法在VOC数据集上目标检测的平均精度均值（Mean Average Precision, mAP）达到了83.6%（交并比为0.5）；对小目标检测的AP值达到了16.9%（交并比为0.5~0.95），比YOLOV4,CenterNet,RefineDet的分别提高3.9%，7.7%和5.3%.在TinyPerson数据集上小目标检测的AP值为55.1%，比YOLOV5,DSFD的分别提高0.8%和 3.5%.