高分二号卫星是我国自主研制的高水平民用遥感卫星,通过融合其空间分辨率较高的全色图像和光谱分辨率较高的多光谱图像,能够生成空间分辨率较高的多光谱图像。针对遥感图像融合,由于传统算法存在建模复杂、在光谱信息保持和空间细节增强两方面难以达到较好的平衡、性能受限于引入的先验假设等不足,基于卷积神经网络的研究开始兴起。与传统算法相比,这些研究在光谱信息保持和空间细节增强之间取得了更好的折中。然而,这些研究在多光谱图像的上采样、多层级特征的利用、上下文信息的获取等方面存在的不足限制了模型的性能。针对这些不足,本文基于卷积神经网络,对高分二号遥感图像融合进行研究。本文的主要工作与创新点如下:（1）在基于卷积神经网络的融合模型中,为了解决多光谱图像和全色图像尺寸不同无法融合的问题,将多光谱图像上采样后提取特征,引入了不准确的信息,增加了计算开销;在重建融合图像时,仅使用最后一层特征,对多层级特征的利用不够充分,融合结果中存在信息的损失。针对这两个不足,本文基于拉普拉斯金字塔,设计了编码-解码的融合模型,提取多光谱图像尺度的特征解决融合时尺寸不同的问题;利用两个层级的特征预测二级残差,在两个尺度上逐级重建融合图像;同时监督两级融合图像,确保第二级残差的稳定预测。对比实验表明,该模型在各个指标上均具有较好的性能,在增强空间细节的同时,更好的保持了原始的光谱信息。（2）在基于卷积神经网络的融合模型中,大都在较浅的网络中通过非线性变换层的简单级联提取特征,感受野较小,获取的上下文信息有限。针对这个不足,本文在基于拉普拉斯金字塔设计的融合模型中,使用密集连接改进编码器的特征提取结构,通过更大的感受野获取更多的上下文信息。将全色图像不同层级特征结合,为多光谱图像注入更丰富的细节。对比实验表明,使用密集连接后的模型,在保持原始光谱信息的同时,进一步提升了原始尺度上空间细节增强的效果。