夜光遥感影像在成像过程中易受成像环境、目标辐射、光学成像系统、电子信号转换、卫星平台颤振等多种退化因素影响,导致观测影像出现“辉光”、云雾噪声、分辨率降低等降质现象,在很大程度上限制了后期的应用。因此,在现有数据条件的基础上,利用影像处理算法,准确和快速地减少或去除夜光遥感影像中云雾的影响,同时提高影像空间分辨率和可视化效果,对夜光遥感影像后续应用具有非常重要的意义与价值。基于神经网络的深度学习方法具有便捷、高效、特征学习能力强和处理效果好的优点是学者们的研究热点。本文以“珞珈一号”夜光遥感影像为研究对象,从降质模型分析、去云雾、空间分辨率提升方面入手,研究夜光影像的质量提升问题,研究主要涉及到以下三个部分:针对目前夜光遥感影像的降质模型表达不够细致的问题,本文推导构建了“珞珈一号”影像综合降质退化模型。从“珞珈一号”影像降质原理出发,结合影像降质特征,得出“珞珈一号”影像的主要降质因素为云雾等大气成分的干扰和光学成像系统的影响,主要降质表现为“辉光”、云雾噪声和空间分辨率下降等现象。因此,基于以上降质特征构建“珞珈一号”影像综合降质退化模型。该模型可表示出包括“辉光”、云雾噪声、降采样等降质因子的综合降质过程,为夜光遥感影像质量提升方法研究提供重要理论依据。针对夜光遥感影像在成像过程中易受云雾的影响,导致影像中存在云雾噪声和“辉光”等现象的问题,本文根据“珞珈一号”影像综合降质退化模型,提出一种顾及多种云雾影响的夜光影像去云雾方法。首先设计一种基于残差密连卷积神经网络（Residual Dense Convolutional Neural Network,RDCNN）的夜光影像去云雾网络,该网络以RDCNN为主体结构,利用通道注意力模块（Channel Attention,CA）以及像素注意力模块（Pixel Attention,PA）提高网络对云雾的去除能力;同时,为了进一步提高处理后影像清晰度,提出了一种带有稀疏约束损失函数;针对目前缺少夜光遥感影像数据集的问题,设计一种端到端的“珞珈一号”影像数据集构建方法,并构建多组不同类型的降质数据集,用于训练网络。通过实验证明,本文所提出的方法可有效实现夜光遥感影像去云雾处理,处理后影像云雾信息明显消除,其它噪声信息得到抑制,处理后影像灯光边缘信息更加清晰,影像质量明显提高。针对夜光遥感影像受光学成像系统的限制导致空间分辨率不足的问题,设计构建端到端的基于RDCNN的夜光影像超分重建网络,用于进一步提高夜光遥感影像的分辨率。该网络继承本文去云雾网络的优势,同时增加亚像素卷积作为上采样部分。针对夜光影像超分重建数据集缺失问题,构建用于超分重建的“珞珈一号”影像数据集。通过多组实验证明,本文方法可有效提高影像空间分辨率,超分重建后影像噪声得到抑制、边缘信息更加清晰,能够进一步的提升影像的质量,为后期应用提供更好的数据源。该论文有图48幅,表12个,参考文献84篇。