随着近几年遥感技术的快速发展,越来越多的卫星可以为人类提供丰富的遥感数据。这些数据经过处理可以应用于军事、农业、工业等有关国计民生的多个领域,并发挥重要作用。另一方面,由于传感器的种类日益丰富,多源遥感数据数量日益增加,如何有效融合多源遥感数据的互补信息去除冗余信息逐渐成为遥感领域的研究热点。遥感图像信息融合可以丰富图像的信息,有助于后续图像理解和解译任务,提高决策置信度,具有重要研究意义。由于物理限制,单一卫星传感器无法直接获取高分辨率多光谱图像,很大一部分卫星仅提供同一场景的高分辨率全色图像和低分辨率多光谱图像。为了获得既具有高光谱分辨率也具有高空间分辨率的高质量图像,研究者们将全色图像与多光谱图像进行融合,这项技术也被称为全色锐化。本文针对现有全色锐化方法无法同时兼顾空间信息和光谱信息保持的问题,结合贝叶斯理论和深度学习工具提出了两种新颖且有效的全色锐化方法。此外,针对部分全色图像没有对应的多光谱图像的情况,通过借鉴自然图像着色方法,提出了基于参考多光谱图像的全色图像光谱恢复算法。本文的基本工作和创新点总结如下:1.提出了一种有效的基于贝叶斯理论的全色锐化模型,基于三个合理的假设设计了三个新颖的概率分布来表征未知的高分辨率多光谱图像与已知的低分辨率多光谱图像/高分辨率全色图像之间的关系,并将它们组合到贝叶斯框架中。此外,在模型中引入了多级梯度算子,可以捕获更精细的图像空间细节信息从而显著改善全色锐化结果。实验表明,与其他全色锐化方法相比,本文提出的模型能够在保证光谱不失真的情况下获得边缘更加锐化的融合结果。2.提出了一种基于Framelet框架的多尺度全色锐化网络,首次将全色锐化任务转换为Framelet系数预测任务。首先,在网络中分别提取和聚合多光谱图像和全色图像的多尺度特征并将这些特征融合以充分利用前者的光谱信息和后者的空间信息;其次,在网络中引入了混合残差连接以确保能够针对性地保留有效的信息,具体来说,将多光谱图像的近似系数和全色图像的细节系数的组合作为融合图像的初始化Framelet系数,并应用残差网络架构来学习它与真实标签Framelet系数之间的差异。实验表明,本文提出的全色锐化网络在真实数据集和模拟数据集上表现都优于其他全色锐化方法。3.提出了一种基于参考多光谱图像的全色图像光谱恢复算法,将该任务视为在超像素分辨率下的颜色候选的选取问题。首先,使用超像素表示而不是在像素级别来解决基于参考图像的光谱恢复问题,显著加快了处理速度,并且从超像素中提取的特征可区分性更强,从而使得匹配的颜色候选更加可靠;其次,提出了一种结合非局部自相似性和局部一致性约束的变分模型,为每个目标超像素从候选颜色中确定最合适的颜色。实验表明,本文提出的光谱恢复算法不仅在自然图像着色领域取得优于其他算法的结果,也可以实现全色图像的光谱恢复。