由于物理条件约束,数据传输速率限制和信噪比等原因,导致遥感传感器设计时需要在波谱分辨率和空间分辨率之间折衷。高光谱遥感数据为了获得很高的波谱分辨率,而以损失空间分辨率为代价;多光谱数据或全色数据虽然仅有几个波段,却可以获得更高的空间分辨率。大多数情况下,我们无法从单一传感器获得同时具有高空间分辨率和高光谱分辨率的遥感数据。高光谱数据的低空间分辨率限制了其在地物分类和识别上的应用。因此,使遥感数据同时具有高空间分辨率和高光谱分辨率成为遥感研究的热点问题之一。在此背景下,本文研究了高光谱数据和多光谱数据融合算法,旨在综合两者的优势得到高空间分辨率和高光谱分辨率的数据。基于波谱混合分解的数据融合方法,在提高高光谱数据空间分辨率的同时,较好地保持了原有的波谱特征。论文结合线性波谱混合模型、传感器观测模型和非负矩阵分解算法导出基于投影梯度优化技术的非负矩阵分解融合算法。该算法首先利用顶点成分分析法分解高光谱数据,得到端元波谱矩阵;其次利用投影梯度优化技术的非负矩阵分解算法交替地对端元波谱矩阵和丰度矩阵进行更新,通过不断迭代优化,得到高波谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。传感器之间的观测模型在每步非负矩阵分解过程中用于初始化分解矩阵。研究结合模拟数据和真实数据实验进行分析。论文最后,设计和实现了多源遥感数据融合原型系统。论文的主要研究工作和成果如下:　　(1)研究基于投影梯度优化技术的非负矩阵分解融合算法。以线性波谱混合模型、传感器观测模型和非负矩阵分解算法为基础,导出梯度投影优化技术的更新规则以对端元波谱矩阵和丰度矩阵进行更新。投影梯度算法融合收敛速度快,避免分解矩阵中0值元素不被更新的情况。　　(2)结合模拟数据实验分析非负矩阵分解融合方法性能。采用 AVIRIS和HYDICE数据经过重采样得到模拟数据进行实验,并与约束最小二乘估计融合方法进行对比分析。两种融合方法的性能采用定量评价指标峰值信噪比、波谱角误差、均方根误差和通用图像质量指标进行定量分析。根据分析结果,非负矩阵分解算法有效的提高了高光谱数据的所有波段的空间分辨率,同时具有很好的波谱保持性。　　(3)分析非负矩阵分解融合算法在真实数据融合上的应用性能。具有不同地物覆盖类型的四个研究区的环境卫星HJ-1A的HSI高光谱和CCD多光谱数据进行数据融合实验。采用定量评价指标信息熵和图像清晰度对融合结果进行定量评价,同时主成分分析法进行视觉评价。通过实验分析,融合结果的信息熵和图像清晰度均大于原始数据,主成分分量含信息量更加丰富,细节边缘信息更加清晰,不同地物的色彩信息与原始数据基本保持一致,即基于非负矩阵分解的融合方法提高了高光谱数据的空间分辨率,同时波谱失真较少。　　(4)设计和实现了多源遥感数据融合原型系。基于Windows平台,采用成熟的.NET技术、ArcGIS Engine技术、ENVI/IDL技术和MATLAB技术,开发包括数据预处理、融合、融合结果评价和植被指数计算功能的多源遥感数据融合系统。