遥感图像涵盖丰富的宏观信息,可有效帮助人类动态地监测地表信息,从而进行特征绘图、土地覆盖分类、变化检测等。虽然近年来,场景分类、目标定位、目标检测等众多技术应用在遥感图像上,为人类创造了许多有价值的应用,仍存在以下亟待解决的问题:遥感成像设备价格高昂,只能获取低光谱分辨率的全色图像,或低空间分辨率的多光谱图像。为解决上述问题,国内外学者展开相关研究。常用方法有全色锐化算法与超分辨率算法。其中全色锐化算法要求输入成对的全色和多光谱图像,但成对的全色和多光谱图像价格不菲,且融合结果的颜色过渡不自然;而超分辨率算法只关注空间信息,无法提升光谱分辨率。因此,为了增强未配对遥感图像的可读性,本文拟设计一个多任务的神经网络模型,在提升遥感图像光谱分辨率的同时提升其空间分辨率。鉴于目前图像超分辨率算法较为成熟,而图像彩色化算法研究相对较少的情况,本文首先探究利用图像彩色化提升遥感图像光谱分辨率的可行性,接着再研究使用一个模型同时提升遥感图像光谱和空间分辨率的可行性。本文的研究内容和成果包含以下两个方面:1.提出了一种端到端的遥感图像自动彩色化模型,帮助提升遥感图像的光谱分辨率;2.设计一种网络结构以适应遥感图像光谱分辨率的提升、遥感图像空间分辨率的提升、遥感图像光谱和空间分辨率的提升、全色图像锐化这四种不同的任务。本文展开了相关的实验和方法对比,实验表明,与对比算法相比,提出模型获得的图像质量在主、客观评价指标上均表现优异。