高光谱图像具有光谱分辨率高、图谱合一的特性,已经在民用、军事等诸多领域得到了广泛应用。随着需求的不断增长,大量的遥感应用要求图像同时具备高光谱分辨率和高空间分辨率。然而在实际中,高光谱图像往往呈现出较低的空间分辨率,这限制了高光谱图像的精确解译和应用效果。全色传感器可以提供高空间分辨率的全色影像。因此,通过研究高效可靠的高光谱图像融合方法,将高光谱图像与全色图像进行融合以实现高光谱图像空间分辨率的有效提高,显得尤为迫切和重要。本文围绕如何利用全色图像提升高光谱图像空间分辨率并保持其光谱信息这一核心问题展开工作,深入研究基于深度学习的高光谱图像融合方法,充分挖掘并综合全色与高光谱图像的优势,突破传统线性模型的性能限制,克服现有融合方法面临的光谱保真度差、空间信息丢失、模型复杂度高、网络判别力受限、细节注入不准确等难题,探索并实现高精度、高效率、高智能的高光谱与全色图像融合方法。本文的研究工作概括如下:（1）基于引导滤波和深度残差网络的高光谱图像融合方法研究相较于全色和多光谱图像,高光谱图像通常具有更低的空间分辨率和更宽的波谱范围,高光谱与全色图像融合更易出现空间模糊和光谱失真问题。针对这一问题,本文提出了一种基于引导滤波和深度残差网络的高光谱图像融合方法。该方法首先将边缘细节增强后的全色图像用作引导图像,对上采样的高光谱图像执行引导滤波以生成光谱特性得到保持的初始化融合图像,然后设计用于改进融合精度的深度残差网络架构,在初始化融合结果的基础上进一步提高融合图像质量。基于地面和机载高光谱数据集的实验结果表明,本文提出的方法有效增强了边缘细节,显著提升了融合精度。（2）基于深度残差空间注意力网络的高光谱图像融合方法研究针对现有方法未充分考虑高光谱图像空间结构信息和图像各区域特征重要性不同,导致融合精度低的问题,本文提出了一种基于深度残差空间注意力网络的高光谱图像融合方法,不仅同时考虑全色和高光谱图像的空间信息,而且能够自适应地学习空间位置中对于增强融合图像细节信息更有用的特征。该方法首先基于结构张量和引导滤波器分别提取全色与高光谱图像的空间信息。然后,构建深度残差空间注意力网络学习两者总的完备空间信息与残差图像之间的映射关系,充分提取并利用对于融合更加有用的空间注意力特征。基于机载和星载高光谱数据集的实验结果表明,相较于现有算法,本文提出的方法可以在空间信息增强和光谱特性保持方面均取得更优越的效果。（3）基于深度先验和双注意力残差网络的高光谱图像融合方法研究为了克服高光谱图像上采样过程无法有效地恢复细节信息和网络判别能力有限的问题,本文提出了一种基于深度先验和双注意力残差网络的高光谱图像融合方法。该方法首先利用深度高光谱先验进行上采样,在无需大量数据训练的情况下实现高光谱图像空间分辨率的有效提升且更好地保持光谱信息。然后,将上采样结果与全色图像在光谱维拼接后输入双注意力残差网络,通过构建的通道和空间双注意力残差块自适应地突出光谱通道和空间位置中对于提升融合性能更关键的特征,同时抑制非重要的特征。基于模拟和真实高光谱数据集的实验结果表明,本文提出的方法进一步提升了融合图像质量,而且具有较强的泛化能力。（4）基于自适应特征调制网络的高光谱图像融合方法研究为了进一步解决全色图像细节利用不充分、注入不准确,且难以平衡光谱和空间质量的问题,本文提出了一种基于自适应特征调制网络的高光谱图像融合方法,该方法总体架构遵循细节注入模型,具有清晰的可解释性。首先,通过八度卷积单元直接有效地从全色图像高频特征中提取全面的空间细节信息。同时,设计具有不同尺寸卷积核的空间和光谱可分离三维卷积单元高效地获取高光谱图像的多尺度空谱特征。随后,提出基于自适应特征调制的细节注入方案,将全色图像空间细节作为先验并对高光谱图像特征进行仿射变换,实现在有效增强高光谱图像空间信息的同时自适应调整注入细节以保证融合图像的光谱保真度。基于模拟和真实高光谱数据集的实验结果表明,本文提出的方法在客观定量评估和主观视觉评价方面均得到了进一步提高。