遥感图像融合旨在利用低分辨的多光谱图像和全色图像,得到兼具高空间分辨率和高光谱分辨率的多光谱图像。近年来,遥感图像融合技术广泛的应用于农业、军事、医学、自然资源等各个专业领域。目前,现有的遥感图像融合技术多采用将全色图像中的空间细节注入到低分辨多光谱图像中,或是对低分辨多光谱的各个波段分别进行融合。然而,这些方法仅仅在某一特定变换/视角下将空间信息简单的提取,然后再分谱段注入,不仅忽略了图像在不同视角下的综合表达,同时也未考虑各个谱段间关系,直接导致融合后的多光谱图像的光谱信息产生扭曲。张量是向量和矩阵的高阶推广,非常适合联合描述多个谱段的信息。另外,多视图(Multi-view)建模是基于多个视角引入一个函数来对对象建模,可以综合利用对象的多种函数表达来提高学习性能。本文利用张量表示与多视图建模来减少融合后的图像的光谱失真,研究了稀疏张量近邻嵌入融合、多视稀疏张量近邻嵌入融合,以及基于稀疏张量和深层特征的多光谱与全色图像融合方法,具体工作包括:(1)提出了一种基于稀疏张量近邻嵌入的遥感图像融合方法。针对现有融合算法中存在的光谱失真现象,将多光谱图像构建为具有高维结构的张量小块,建立了多模字典原子下的多光谱图像的张量稀疏表示与稀疏张量近邻嵌入融合方法。假设低分辨多光谱小块在低维流形结构下的嵌入关系可以映射到高维流形结构上,然后利用N-way Block OMP与稀疏张量的近邻嵌入理论模型联合求解每个波段中的稀疏编码系数。通过稀疏编码系数对高分辨全色图像进行加权来获得高分辨率多光谱图像。由于张量充分利用了光谱图像的波段间的相关性和高阶数据的统计特性,因此所提出的方法可以在融合中较好保持波段间的相关性,从而减少光谱失真。实验结果表明:本方法的融合结果较目前流行的复原类方法在SAM指标上有0.6~0.8的提升。(2)提出了一种多视稀疏张量近邻嵌入融合方法。单一视图下不同的图像块可能具有相同的梯度特征,为了对图像块特征进行更加有效的表征,从图像的多视图建模分析入手,选择原始图像的灰度特征,纹理特征和边缘特征来构成多光谱图像和全色图像的多视图模型,从多视图角度表达了图像块的本质特征。假设在非采样轮廓波变换(NSCT)的融合框架下,变换后的带通系数包含了大部分的空间信息和少量的光谱信息,使用图像的多视图特征构建多模字典,利用N-way Block OMP与稀疏张量的近邻嵌入理论模型联合求解融合后的带通系数,逆变换后获得高分辨率多光谱图像。由于张量形式充分利用了带通系数波段间的相关性,因此所提出的方法获得了更好的融合效果。实验结果表明:Multi-view框架下的稀疏张量融合方法提高了多光谱图像的空间分辨率和光谱分辨,得到了当前比较先进的遥感图像融合结果。(3)提出了一种基于稀疏张量和深层特征的多光谱与全色图像融合算法。由于多视图稀疏张量近邻嵌入融合方法面临多视图的手工选择以及构建过程中冗余视图的去除问题。为了获得图像的自动化的本质描述,设计了卷积自编码(CAEs)网络,实现对图像特征的层次化语义提取。假设低分辨多光谱图像块与全色图像块在多模字典下可以获得各自的张量结构系数,融合该张量结构系数与多模字典相乘可以得到高分辨多光谱图像。利用CAEs网络自动提取得到的深层特征减少了手动选择多视图的过程,更好的捕捉了图像的高频细节。从大量实验结果的平均值折线图可以明显的看出:本章提出的方法在视觉效果和数值指标上均取得了不错的效果。