Les images d’observation de la Terre par télédétection optique constituent le cœur de nombreuses activités d’observation de la Terre. La nature régulière, cohérente et à l’échelle mondiale des données satellitaires est exploitée dans de nombreuses applications, telles que le suivi des terres agricoles, l’évaluation des changements climatiques, la classification de la couverture et de l’usage des sols, ainsi que l’évaluation des catastrophes. Toutefois, un problème majeur limite sévèrement la disponibilité temporelle et spatiale des observations de surface : la couverture nuageuse. La tâche de suppression des nuages dans les images optiques fait l’objet de recherches depuis plusieurs décennies. L’arrivée de l’ère des Big Data en télédétection satellitaire ouvre de nouvelles perspectives pour résoudre ce problème grâce à des méthodes puissantes fondées sur l’apprentissage profond.Dans cet article, une architecture de réseau neuronal résiduel profond est conçue pour supprimer les nuages des images multispectrales Sentinel-2. Une fusion de données SAR (radar à ouverture synthétique) et optique est utilisée afin d’exploiter les propriétés synergiques des deux systèmes d’imagerie afin de guider la reconstruction d’image. En outre, une nouvelle fonction de perte adaptative aux nuages est proposée afin de maximiser la préservation des informations d’origine. Le réseau est entraîné et testé sur un jeu de données globalement échantillonné comprenant des images réelles avec et sans nuages. La méthode proposée permet ainsi d’éliminer même les nuages optiquement épais en reconstruisant une représentation optique de la structure sous-jacente du sol.