针对图像训练对的去雾算法难以应对遥感图像中训练样本对不足，且模型泛化的问题，提出一种基于级联生成对抗网络（GAN）的遥感图像去雾方法。为解决成对遥感数据集的缺失，提出了学习雾生成的U-Net GAN（UGAN）和学习去雾的像素注意GAN（PAGAN）。所提方法通过UGAN学习如何使用未配对的清晰遥感图像和带雾遥感图像集在保留遥感图像细节的同时对无雾图像进行加雾处理，然后引导PAGAN学习如何正确地对此类图像进行去雾。为了减少生成的带雾遥感图像和去雾后遥感图像之间的差异，在PAGAN中加入自我注意机制，用生成器从低分辨率图像中所有位置的细节线索生成高分辨率细节特征，用判别器检查图像远端部分的细节特征是否彼此一致。与特征融合注意网络（FFANet）、门控上下文聚合网络（GCANet）和暗通道先验（DCP）等去雾方法相比，级联GAN方法无需大量成对数据来反复训练网络。实验结果表明该方法能够有效地去除雾和薄云，在目视效果和定量指标上均优于对比方法。

遥感影像数据因其固有的不确定性与复杂性，导致传统的无监督分类算法难以对其准确建模。基于模糊集理论的模式识别方法可以有效地表达数据的模糊性，其中二型模糊集能更好地刻画类间多重不确定性，而半监督法可以利用少量先验知识来解决算法对数据的泛化性问题，因此提出一种基于半监督的自适应区间二型模糊C均值遥感影像分类方法（SS-AIT2FCM）。首先，结合半监督和进化论思想，提出一种新的模糊权重指数选取方法，以提升自适应区间二型模糊C均值聚类算法的鲁棒性与泛化性，使算法更适用于光谱混叠严重、覆盖面积大、地物丰富的遥感数据分类；然后，通过对少量标记样本的软约束监督，对区间二型模糊算法迭代过程进行优化指导，来挖掘数据的最优表达。实验选用了北京颐和园区域的SPOT5多光谱遥感影像数据和广东横琴岛区域的Landsat TM多光谱遥感影像数据，对现有流行的模糊分类算法和SS-AIT2FCM的分类结果进行了比较。结果表明，SS-AIT2FCM获得了更高的分类精度与更清晰的类别边界，且有较好数据泛化能力。