随着遥感技术的发展,单一的传感器影像数据受数据源的约束往往不能满足多层面信息数据要求。由于信号传输带宽和成像传感器的限制,大多数的遥感卫星仅能提供低空间、高光谱的多光谱图像及高空间、低光谱的全色图像。为得到光谱信息丰富、空间细节清晰的融合图像及其类别,降低图像分析和解译的不确定性,本文研究了两种基于深度学习的遥感图像融合算法和一种遥感图像分类算法,其主要研究内容如下:1.为有效提高遥感图像的空间分辨率,研究了一种6层的单幅图像增强神经网络。在神经网络中引入了多尺度扩张卷积、局部残差单元、全局残差补偿以及P-ReLU激活函数。研究的CNN模型较之前的模型,逼近效果更好,有更理想的性能可以充分利用卷积层提取的特征。集合增强网络的算法无论对遥感图像融合后细节的恢复还是光谱信息的保持都有较好的性能。2.针对深层网络训练代价高和浅层网络拟合效果不好的问题,研究了一种基于多深度与多尺度的卷积神经网络。网络有2种深度的分支,分别从输入的遥感图像中拟合出高频信息和低频信息。针对输入和输出通道数不一致,无法使用全局残差的问题,分开制作数据集,引入全局残差,大大提高了网络的拟合效果。3.对现有神经网络收敛速度慢、识别准确率不高的缺点,研究了一种基于卷积神经网络的遥感图像农田分类及识别方法。算法设计了一种深度为6层的卷积神经网络,该网络使用较大的卷积核,有效地提取梯度信息;在网络中使用批量归一化,增强了网络的分类效果,且大大降低了网络的训练次数;实验结果表明,利用该识别模型对农田、建筑、荒漠以及植被的识别率较高。