随着我国航天技术的发展以及遥感产业的普及,面向卫星数据的处理和应用成为近年来的研究热点,特别是将区域空间成像和像元光谱感知相结合的高光谱图像。然而,在传感器研发成本和成像信噪比的共同约束下,一般获取的高光谱图像空间分辨率较低,这使得精细化的地物识别和目标跟踪难以得到保障。因此,专家学者试图运用信息融合的策略,以空间质量高的单波段全色图像为辅助,提升高光谱图像的空间分辨率,这个过程称为高光谱图像全色锐化。本文以高光谱图像全色锐化为研究方向,针对高光谱图像与全色图像成像光谱范围差异大、单波段全色图像难以重构上百个波段的细节信息、全色锐化只能生成与全色图像空间分辨率一致的高光谱图像的问题,在卷积神经网络的理论框架下,结合高光谱图像的数据特性和成像规律,提出了基于光谱预测模型、细节注入模型和插值模型的高光谱全色锐化卷积网络。光谱预测模型利用逐像元的光谱卷积对原始复杂的地物光谱特征进行重组和预测,以降低光谱失真的程度;细节注入模型将待重构的复杂细节信息逐层分解为简单的细节成分,以提高卷积网络细节重构的效率;插值模型以双三次插值为指导,利用神经网络自适应学习位置偏差和邻域像素权重的映射关系,实现固定网络结构和参数下生成任意空间分辨率的高光谱图像。在多个公开的高光谱数据集上的实验,证明了本文提出的方法在光谱保持和细节重构方面都远超传统全色锐化方法。本文的研究价值不仅在于提出了锐化效果更强、实现效率更高的方法,更重要的是以高光谱成像特性和全色锐化任务特点,指导卷积网络的结构和损失函数设计,突破了深度学习方法可解释性差、泛化能力弱的局限性。此外,还将全色锐化方法设计与后续高光谱实际应用任务的需求相结合,摆脱闭门造车的思维束缚,推动全色锐化方法实用化和产业化。