兼具高时间和高空间分辨率的遥感图像在地球科学应用中发挥着关键作用。由于硬件技术与经济成本的限制,单一卫星或传感器难以直接获取到这类图像。因此,能够通过软件技术方法获得这类图像的遥感图像时空融合方法近年受到了广泛关注。近年来,使用深度学习进行时空融合的方法在融合精度上取得一定的性能优势,但这些融合方法仍存在一些亟需解决的问题。针对现存问题,本文以陆地卫星图像和中分辨率成像光谱仪（MODIS）图像的融合为研究对象,提出了两种基于卷积神经网络（CNN）的时空融合方法。针对现有的融合方法存在融合结果空间细节信息丢失严重的问题,本文提出了一种基于多协作深度CNN的时空融合方法。该方法设计了一个多网络模型,由超分辨率网络、差分重建网络和协同训练网络组成。首先超分辨率网络使用了多尺度感知机制与扩张卷积的组合,提取更丰富的MODIS图像光谱信息,并将其提升为与陆地卫星图像匹配的过渡图像。差分重建网络利用结构相关性完成差分图像的重建。协同训练网络从陆地卫星图像中提取深层特征信息,并利用时间相关性约束差分重建网络的训练。该方法引入了复合损失函数帮助多网络模型完成训练,最后使用融合策略结合差分图像与陆地卫星图像完成时空融合。通过对两个真实数据集的实验,定性与定量的实验结果均表明该方法具有更高的融合精度。为了解决现有融合方法不能有效平衡空间细节保存和时间变化预测的问题,本文介绍了一种基于伪孪生深度CNN的时空融合方法。该方法提出了一个伪孪生网络模型,设计了两个独立且结构相同,但权重不共享的特征提取流分别处理前向和后向时相的图像,以充分提取不同时相的特征信息。在特征提取流中增加了多尺度感知、注意力、扩张卷积、密集连接等机制提高模型融合精度。最后该方法通过融合策略结合两个特征提取流的输出,得到融合结果。本文通过实验验证了该方法相较于现有融合方法能较大程度提高融合图像质量。