多平台遥感卫星提供了大量的高空间、高时间分辨率的遥感数据,为准确提取地表覆盖及动态变化等信息提供了重要的数据保障。为满足某些应用需求,需要具有高空间分辨率的密集遥感数据,然而,由于硬件技术限制以及预算限制,遥感影像存在着空间和时间分辨率不可兼得的现象。但不同传感器影像信息之间存在着互补性,可以通过时空融合技术在不改变现有观测条件的情况下生成兼具空间和时间分辨率的遥感影像,从而在更高的时空分辨率下实现对地表的动态监测。Landsat数据作为时空融合技术中常用的数据源,但Landsat-7上携带的ETM+传感器发生故障,造成获取的数据出现条带缺失现象,极大地限制了Landsat-7数据的可用性。为此,本文将提出一种新的面向对象Landsat-7 SLC-off影像插值修复算法完成条带修复。时空融合技术也面临着一些挑战,一方面,由于地表环境变化的复杂性以及高质量的高分辨率遥感影像获取的局限性,时空融合技术在地表覆盖发生复杂变化时难以达到理想的融合精度,本文在传统的时空融合研究框架基础上,提出一种改进的时空融合算法。另一方面,许多基于像素的时空融合算法较为复杂,在处理大批量遥感数据时需要花费大量的时间,本文将引入深度学习算法,提出一种基于深度学习的时空融合算法,训练合适的时空融合模型以改进算法的鲁棒性和时效性。本文以Landsat和MODIS遥感影像时空融合为研究对象,具体研究内容如下:(1)针对Landsat-7 ETM+故障造成的数据缺失现象,提出一种新的面向对象Landsat-7 SLC-off影像插值修复算法。该算法首先对辅助影像进行多尺度分割,获取分割对象,然后将所获得的分割对象与待修复影像进行空间叠加,在分割对象区域中选择有效像元对待修复像元进行插值计算,获取两幅影像间的局部最小二乘回归参数,最后对初步计算的待修复像元值应用回归参数得到最终待修复像元值。实验表明本算法能够修复更多的空间细节信息,具有一定的实用性。(2)针对地表发生季相变化和土地覆盖类型变化的情况,提出一种基于线性插值模型和邻域信息的时空融合算法。此算法首先引入一种线性插值模型对输入高分辨率数据和预测日期的低分辨率数据进行初步融合,获取初步融合结果后,为增强算法的鲁棒性,引入邻域信息对初步融合结果进行空间滤波处理,得到最终的时空融合结果。实验结果表明本算法能够在发生季相变化时,生成更高质量的融合影像,同时在发生地表覆被变化时,也能够更好地捕捉地物的空间特征。(3)考虑到大尺度长时间序列高空间分辨率的遥感影像的应用需求,提出一种基于深度学习的时空融合算法。首先利用线性插值模型进行初步融合,然后引入残差密集网络对初步融合结果进行超分辨率重建,在训练阶段完成后,对输入数据进行测试得到最终的融合结果。实验结果表明本文提出的算法在具有物候变化的区域具有更好的预测结果,对于以土地覆盖类型变化为主的数据集,算法仍然具备较好的预测影像空间结构的能力。