地物分类、变化监测、目标检测等一系列的应用需要同时具有高空间和光谱分辨率的数据以提高处理精度，而高空间分辨率与高光谱分辨率对于影像的目视分析也是至关重要的。多光谱与全色图像融合是通过注入全色图像的高频细节信息来提高多光谱图像的空间分辨率,同时保留其光谱信息的过程，所以这一过程又被称为多光谱图像的全色锐化。近年来，为了克服小波变换在表达方向性信息以及图像本质特征上的不足和缺陷，图像融合领域出现了一系列基于新的多尺度变换技术的融合方法。这类新型多尺度变换：curvelet、contourlet、NSCT以及shearlet变换等被统一地称为X-let变换。本文旨在综合分析和比较基于X-lets的融合方法，以确定哪种变换更适合于多光谱与全色图像的融合。首先，本文阐述了对多光谱与全色图像融合定义的理解，研究了四种典型X-let变换的理论以及多光谱与全色图像融合中经典的ARSIS概念。接着，在三种不同的融合框架——ARSIS全局模型、ARSIS局域模型以及联合PCA和X-let变换的混合模型下，构建出四种基于不同X-let变换的多尺度模型以用于后续的融合操作。然后，针对新近发射的WorldView2（WV2）传感器，结合八元数理论，将经典的全局指标Q4扩展应用到8波段的WV2图像的融合评价之中。本文对全局指标Q的延展性进行了理论分析，并结合实验，证明了指标Q8对Q4的良好继承性和综合评价融合结果的能力。最后，论文对基于curvelet、contourlet、NSCT以及shearlet变换的融合方法，在ARSIS全局、ARSIS局域和混合模型下进行了综合分析和比较。实验采用了QuickBird(QB)与WV2两套数据。从视觉评价、指标评价以及鲁棒性三个方面综合考虑，得出NSCT与shearlet变换在多光谱与全色图像融合的应用上表现最为出色。同时再考虑到计算复杂度，shearlet变换在多光谱与全色融合应用上更胜一筹。