随着现代遥感技术的飞速发展,海量遥感影像得到了广泛的应用。遥感图像通常包含非常丰富的地物信息,具有重要的研究和应用价值。然而,由于获取高分辨率多光谱遥感图像的成本高,成像过程复杂,光学遥感卫星的单个传感器只能获取低分辨率多光谱图像或高分辨率全色图像。为了获得高分辨率多光谱图像,人们提出了大量的遥感图像融合方法,以融合多源遥感图像的空间和光谱信息,有效提高遥感图像的空间和光谱分辨率。遥感图像融合方法可分为成分替换法、多分辨率分析法、基于退化模型的方法和基于深度学习的方法。其中,目前最受关注的方法是基于深度学习的遥感图像融合方法,但该类方法融合图像质量低,训练时间长,实用性受到限制。考虑到上述问题,针对遥感图像融合的难点,提出了三种改进的深度网络设计方法。本文的主要研究内容如下:1、提出了一种基于零参考生成对抗网络的遥感图像融合方法。现有的基于深度学习的遥感图像融合方法需要大量的训练数据和训练时间才能得到理想的结果。为了克服这两个问题,该方法在多尺度生成器和判别器之间建立对抗框架,采用“边训练,边生成”的策略。通过多尺度生成器,从低分辨率多光谱图像逐渐生成高分辨率多光谱图像,在保存光谱信息的同时逐渐丰富多光谱图像的空间信息。判别器旨在通过光谱响应模块区分融合图像与全色图像之间的空间信息差异。同时,为了保证融合图像的质量,该方法设计了零参考损失函数,包括对抗损失、空间和光谱重建损失、空间增强损失和均值恒常损失,有效地增强了融合图像的光谱信息和空间细节。该方法采用级联网络结构,仅使用一对图像作为测试图像,克服了现有方法需要大量训练数据集和训练时间的问题。2、提出了一种基于信息交互的三重注意力遥感图像融合方法。基于深度学习的遥感图像融合方法大多使用相同的网络结构或相同的处理方法来学习全色图像和低分辨率多光谱图像的空间和光谱特征,忽略了多源遥感图像之间的差异性和互补性。为了解决这个问题,首先,该方法设计两个具有不同注意力机制的子网络,分别从低分辨率多光谱图像和全色图像中提取光谱和空间特征。其次,该方法通过信息交互增强低分辨率多光谱图像与全色图像特征图之间的互补性。最后,该方法将包含光谱和空间特征的子网络特征图堆叠,通过图注意力模块计算特征图之间的相关性作为所构建的图的节点。选择该图中相关性高的节点所代表的特征图作为待突出的特征图,为融合图像的重建提供更多空间细节和光谱信息。3、提出了一种基于高低频融合网络的遥感图像融合方法。高频和低频分别对融合图像中的空间细节和光谱信息有不同的影响。但是,现有的网络没有考虑遥感图像中高频和低频的区别。该方法设计了两个不同的网络分别处理源图像中的高频和低频。高频融合网络融合低分辨率多光谱图像和全色图像中的高频,利用带有跳跃卷积块的U-Net结构保存特征图中的空间信息。低频融合网络通过自注意力机制保存图像的光谱特征。最后,将融合后的高频和低频叠加,得到融合图像。综上所述,本文研究了基于深度学习的遥感图像融合方法,并使用Geo Eye-1、Quick Bird、World View-2和World View-4数据集对上述三种方法进行了测试。实验结果证明了所提出的方法的有效性。