随着遥感技术的快速发展,获取的遥感数据越来越丰富。因此,通过遥感图像处理的手段从这些数据中及时、准确地获取所需信息,并推动它们在各领域的应用是当前需要解决的实际问题。多源遥感图像融合与遥感图像分类是遥感图像处理中重要的两项任务。其中,多源遥感图像融合通过对不同来源的遥感图像进行优势互补,提高遥感图像的信息表达,为遥感图像的分类奠定了基础。而遥感图像分类作为遥感图像处理的高级阶段,通过对遥感图像场景语义的理解和分析,进一步推动了地物目标提取、变化预测等任务的实现。为了有效提高遥感图像的质量以及分类精度,我们从多源遥感图像融合和遥感图像分类这两个方面进行了研究,主要工作内容如下:1)针对多源遥感图像融合,提出了一种结合超分辨率与卷积稀疏表示的有效融合方法。先利用一种快速迭代的图像超分辨率算法对低分辨率多光谱图像进行超分辨率处理,将低分辨率多光谱图像调整到便于与全色图像融合的大小并同时增强其空间细节信息。在超分辨率过程中,采用基于学习的迭代收缩阈值算法(Learned Iterative Shrinkage and Thresholding Algorithm,LISTA)的前馈神经网络来简化稀疏系数的求解,有效降低计算复杂。然后,将多光谱超分辨率图像和全色图像都分解为基础层和细节层,并基于卷积稀疏表示对两者的基础层和细节层分别进行融合,通过这种分层融合策略充分利用全色图像的空间细节并保留多光谱图像的光谱信息。在QuickBird、WorldView-2和Landsat ETM+三个数据集上的实验结果表明,该算法在视觉效果及客观评价指标上均有很好的表现。2)针对遥感图像分类,提出了一种基于自注意力与联合损失的深度网络模型。通过在ResNet18网络中加入自注意力机制来引导预训练的卷积神经网络提取更具判别性的显著性特征,抑制不相关区域的干扰。并在此基础上提出了一种将中心损失与交叉熵损失结合的联合损失函数来对提出的网络进行优化,加强对网络学习的监督,减少了类内多样性对分类的影响。我们在三个具有挑战性的遥感图像分类数据集上比较了不同分类模型的表现,结果证明提出模型的分类总体精度有较大提升,并在数据量较少的情况下也获得了较好的性能。综上所述,本文对多源遥感图像融合和遥感图像分类这两个方面进行了算法的相关研究和创新,有效提高了遥感图像的质量与分类精度,同时也促进了遥感图像处理相关方向的研究与发展。