准确、实时的土地覆盖信息是许多资源管理、规划和监测计划的执行核心,因此,包含丰富地物分布信息的土地覆盖图被广泛投入到农业、林业、地质、海洋学等领域的科学研究和实际应用中。遥感图像由于其宏观视图和地图格式特性,成为产生有效土地覆盖分类的可行来源。然而,受真实地物分布模式及数据获取设备条件等的影响,混合像元广泛存在于中、低空间分辨率遥感图像中,给土地覆盖制图带来了巨大的挑战。传统的软分类技术通过估计混合像元中不同类别地物所占的比例,实现对遥感图像混合像元的定量分析,却仍无法确定各类地物在亚像元级别的空间分布情况。超分辨率制图技术通过将混合像元分割成更小的单位,来获取遥感图像亚像元级地物分布信息,有效弥补了软分类技术的不足,在遥感图像处理领域中具有重要的研究价值。针对遥感图像的不同地物分布模式,本文对超分辨率制图方法进行了分类分析和研究,具体工作如下:首先,分析总结了超分辨率制图技术的研究现状,对几种常用的超分辨率制图算法进行介绍和研究,并通过实验对其制图效果进行仿真验证和对比。针对这些现有超分辨率制图方法存在的问题,提出了基于两种不同地物分布模式的超分辨率制图方法研究。对于H型地物分布模式,通常地物尺寸大于像元分辨率,且地物边界较为规则和清晰,传统基于空间相关性的超分辨率制图方法常用于实现此类地物分布模式的土地覆盖制图,但现有算法存在忽略空间相关性的方向性的问题。针对这一问题,本文提出了一种改进的亚像元/像元空间引力模型(SPSAMA),结合各向异性空间相关性模型调整亚像元的空间引力权重,充分考虑了地物边界处像元间引力的方向性。该算法既保持了传统SPSAM算法的高效性,又优化了地物类边界的制图效果,提高了超分辨率制图精度。对于L型地物分布模式,通常地物尺寸小于混合像元的覆盖面积,且地物空间结构更为复杂、边界形状更为细碎,仅依靠空间相关性难以准确定位亚像元。近年来基于学习的方法逐渐发展成为解决这一问题的有效方法,然而目前基于学习的超分辨率制图方法存在一定的局限性,如作为辅助数据或训练数据的高分辨率图像应当与输入图像覆盖相同的区域或者具有相似的地物分布模式,但在实际中这些数据通常不易获得。针对上述问题,本文提出了基于联合字典稀疏表示(JDSR)的超分辨率制图算法,利用稀疏表示理论和迁移学习机制,将从自然图像中学习得到的高、低分辨率图块联合字典用于遥感图像超分辨率制图中,优化亚像元锐化过程,在缺乏辅助遥感数据的条件下实现提高超分辨率制图精度的目的。实验验证了JDSR算法在复杂地物分布模式下的有效性。