随着遥感技术的发展,遥感数据融合受到广泛关注。其中,高光谱与多光谱图像融合是一个研究热点。高光谱与多光谱图像融合的目的是获得一幅高空间分辨率高光谱图像,解决直接从传感器获取的高光谱图像空间分辨率低的问题。融合的任务是在保证较低光谱畸变的同时增强图像的空间信息。基于此,本文通过字典学习的方法对融合算法进行研究。本文在现有优秀算法的基础上,通过分析目前融合结果普遍存在的问题,提出两种基于字典学习的融合算法。本文的主要工作如下:（1）在基于光谱字典的高光谱与多光谱图像融合方法框架下,本文提出分层字典学习算法。由于遥感图像的边缘细节区域光谱特征丰富且复杂多样,通过在细节层和图像层学习字典,将两层字典组合获得的光谱字典在图像的边缘细节区域最大程度地降低了光谱畸变。在估计系数时,本文提出细节感知误差项和边缘方向自适应全变分约束项。细节感知误差保持了重建图像的空间与光谱信息,边缘方向自适应全变分计算图像最小边缘方向梯度,实现对边缘细节的精确表示。（2）基于光谱字典的图像融合方法会损失空间信息,本文提出基于稀疏表示的空间误差估计算法解决这一问题。依据基于光谱字典的初步融合结果和物理成像模型,可以计算低空间分辨率高光谱图像损失和高空间分辨率多光谱图像损失,并建立这两种损失的空间字典,从而估计初步融合结果的损失。基于稀疏表示和空间误差估计算法利用高光谱与多光谱图像融合问题的特殊性构建融合损失,这样的融合框架可以嫁接在任何基于光谱字典融合方法后,在最大程度上弥补了基于光谱字典融合方法在空间信息上的损失。本文在Pavia University和Indian Pine数据集上进行实验,并与现有优秀算法进行对比分析。结果显示,本文提出的算法在光谱和空间保持上都十分有效。