随着近几年遥感技术的快速发展,人们利用光学遥感卫星比如IKONOS, QuickBird,GeoEye-1等获取了大量遥感图像,这些遥感图像在人们实际的生产、生活中,比如气象预报、灾害监测、军事测绘等,发挥了重要作用。由于传感器技术的限制,这些光学卫星获取的单波段全色图像空间分辨率高但是缺乏光谱信息,与此相对应,多光谱图像含有丰富的光谱信息但是空间分辨率低。实际应用中高空间分辨率的多光谱图像更有助于进行图像理解与解译,实现信息高效利用并帮助人们作出更加可靠的决策。利用数据融合,学者们提出将多光谱与全色图像融合来获取高空间分辨率多光谱图像的技术,这种通过图像融合手段获取高空间分辨率多光谱图像的技术即为多光谱与全色图像融合也被称为全色锐化。依照多光谱融合技术的发展主线,针对多光谱融合中出现的空间失真以及光谱失真问题,利用小波变换、矩阵低秩稀疏分解、稀疏表示和图像超分辨等理论,本文对多光谱与全色图像融合展开了相关的探索与研究,并取得了一定的成果。本文的工作可以简单总结如下：1).针对传统主成分分析融合算法造成的光谱失真,深入讨论分析了产生光谱失真的原因,并提出一种改进的主成分分析融合算法。利用平滑滤波亮度调节技术将多光谱中的低分辨率空间信息调制到高分辨率,进而利用ATWT将调制的高分辨率空间信息和全色图像分解成小波低频与高频信息,并设计不同融和规则融合得到高分辨率的空间信息。研究表明利用改进算法构造的高分辨率空间信息与多光谱原有的低分辨率空间信息更加相似,从而更适合于作为高分辨率空间信息替换多光谱原有的低分辨率空间信息。传统主成分分析融合算法的性能因此也得到了有效提升。2).针对多光谱图像高度冗余和高相关性的特点,结合矩阵低秩稀疏分解理论的降维去相关特性,对矩阵低秩稀疏分解在多光谱融合领域进行探索。提出一种基于矩阵低秩稀疏分解的分量替代策略的融合算法,研究得出了有益结论。3).基于分量替代策略的融合算法由于其固有的局限必然会引起较大程度的光谱失真。为进一步改善之前提出的基于矩阵低秩稀疏分解融合算法的性能,在深入探讨分析了邻域像素相关性对融合性能的影响后,利用上下文决策模型挖掘邻域像素空间相关性特征,与此同时结合实验分析和多光谱图像特性对矩阵低秩稀疏分解的参数进行了重点分析。研究确定了低秩稀疏分解的最佳参数,同时表明在考虑了邻域像素相关性后,算法性能得到了显著提升。4).结合矩阵低秩稀疏分解理论,分析了融合多光谱图像的组成成分并详细探讨了各部分作用。针对多光谱图像空间信息,探索空间信息清晰度对于多光谱融合算法性能的影响,提出一种基于高频信息注入策略的融合算法。研究表明空间信息清晰度对于融合算法的性能提升有正面作用。5).针对传统GS1融合算法的细节信息计算方式,分析讨论了细节信息对于多光谱融合算法性能的影响。基于尺度不变和对比度不变的假设,结合信号稀疏表示理论和光学图像成像模型,利用全色图像空间特征设计直接计算细节信息的方法。研究表明这种直接计算出的细节信息更加相似于从理想高分辨率多光谱图像中提取的细节信息,因此更适合于作为细节信息来注入,传统GS1算法性能相应也得到了提升。