遥感技术是获取精确地物信息的重要方式和信息源。随着遥感技术的快速发展,遥感数据规模不断增长,光谱、空间分辨率大幅度提升,在环境监测、目标检测、地质勘查等领域的应用越来越广泛。现阶段,在空间和光谱上具有更高分辨率的遥感数据成为用户的迫切需求。然而,受到成像传感器技术与工艺的限制,单一传感器难以获取兼具清晰空间细节和丰富光谱特征的遥感影像。为此,光学遥感卫星通常搭载两类传感器,分别获取多光谱图像和全色图像。前者光谱特征丰富但空间细节模糊,后者空间信息丰富但不包含光谱信息。因此,如何根据这两类图像获得高分辨率的多光谱图像（全色锐化）是遥感领域的一个重要且热门的问题。近年来,深度学习引起了广大研究者的关注。其中的代表模型——卷积神经网络由于对网格型数据的适应性和表征能力,被广泛应用于自然图像相关领域并取得了蓬勃发展,且逐渐被应用于遥感图像处理领域。本文针对现有基于卷积神经网络的全色锐化方法存在的一些缺陷或问题,探究了保持融合图像光谱特征并提高其空间质量的新模型,本文主要的研究工作如下:1.针对现有网络模型利用源图像单一尺度进行融合导致的信息利用不充分和空间细节丢失问题,提出了一种多尺度深度残差网络的全色锐化方法。该网络采用由粗到细的重构策略,分别在源图像的不同尺度上进行融合,并将较粗尺度的融合结果作为下一较细尺度融合过程的辅助,以充分利用源图像中包含的空间和光谱信息,同时增加图像特征的多样性。模型中引入残差学习使得网络输入恒等地传递至输出,简化网络学习过程的同时对输入图像中的信息进行了复用。另外,根据遥感领域的先验知识,引入了非线性辐射指数作为扩展输入,以指导网络对图像中特定区域的学习过程。实验表明多尺度的引入对融合性能的提升具有促进作用,相比于其他几种代表性方法,该方法也能够生成具有更高信息保真度的融合结果。2.针对现有网络将全色锐化视作图像超分辨问题导致两类源图像中的信息得不到充分利用以及模型可解释性不强的问题,提出了一种基于细节注入策略的双分支网络全色锐化方法。该方法首先采用两个子网络分别对两幅源图像进行特征提取,然后通过残差网络对提取后的特征进行融合,接着由融合的特征重建插值多光谱图像中缺失的细节图像,并将其加至插值多光谱图像中产生融合结果。在特征融合的过程中,两类源图像的特征被重用以持续地注入光谱和空间信息。此外,该方法引入了一种对融合图像施加光谱限制和空间限制的损失函数,其依据全色图像的空间结构和多光谱图像包含的光谱信息对融合图像加以相应约束。实验证明,所提损失函数的引入能够有效提高融合图像的光谱和空间信息保真度,且该方法在与其他算法的对比中表现出了优异的性能。