由于遥感成像传感器的硬件故障和成像时恶劣的天气条件,获得的遥感影像常常含有缺失信息。缺失信息的存在阻碍了后续的遥感影像解译研究。同时,随着传感器技术的不断发展,遥感影像的光谱、空间和时间分辨率也在不断提高。因此有必要发展新的多源遥感数据融合模型,利用空时谱特征,复原得到高分辨率遥感影像。高光谱遥感影像的解译分析也是目前的研究热点问题,其存在着训练样本有限和特征维度过高的矛盾,需要发展相应的理论模型,综合利用遥感影像的多种特征,提高小样本情况下分类准确率。最近兴起的社交媒体和遥感影像的数据融合研究为解决训练样本不足问题提供了新的思路,利用街景数据获得成像场景的语义信息,可以指导同场景的遥感图像的语义分割。论文从遥感影像的复原与分类两方面研究入手,首先解决光学卫星图像的缺失信息复原和不同分辨率的多源信息融合问题。然后利用多特征学习框架提高遥感影像的解译能力,最后利用地面街景数据和遥感影像的跨视角域适应融合模型,在弱监督情况下提高遥感影像的语义分割精度。主要创新点可归纳为以下几个方面:1.提出了基于邻域回归的多时相遥感影像复原模型,首先针对不同的地物类别利用聚类分析和稀疏表示,学习类内特有的缺失信息和完整信息间的映射关系。然后利用回归模型,查找与每个字典元素距离较近的像素点,利用这些像素特征快速回归出遥感影像的缺失信息。同时对于多时相遥感影像天气、季节和地理变化带来的特征差异,提出了共同特征空间学习模型,提高算法复原精度。光谱缺失信息和空间缺失信息复原实验表明了算法能够很好的利用共同特征空间学习缺失信息和完整信息间的映射关系,达到了较好的复原效果,并且大大降低了时间复杂度。同时算法解决了由长时间地表变化带来的复原难题,具有广阔的应用前景。2.提出了一种融合遥感影像的空间特征,光谱特征和时间特征的混合稀疏表示模型解决遥感影像多源数据融合问题。目前的多源数据融合研究主要针对具体的卫星数据,还没有通用的算法能够解决不同分辨率的异质遥感数据融合难题。基于此,算法首先从人类视觉机制出发,提出了空间-光谱字典学习算法,并探索不同源数据在光谱信息的相关性和空间信息的相似性。然后利用时间变化权重学习,度量地理变化带来的时间特征差异。同时提出了快速优化算法,提高复原效率。最后利用空间-光谱特征,空间-时间特征和空间-光谱-时间特征三组实验,验证了算法能够很好地结合空时谱特征,为洪水等自然灾害评估提供实时高分辨率遥感影像。3.提出了一种基于多特征学习的高光谱遥感影像分类方法,解决训练样本不足问题。首先利用新的相似性和多样性核特征,保持遥感影像的光谱相关性和空间邻域一致性。然后基于贝叶斯理论模型利用特征投影的方法,为每种地物类别选取包含丰富信息的特征加入到分类器,并采用类内权重学习为不同特征赋予不同权重。最后为了联合遥感图像的线性和非线性特征,提出了决策融合机制,提高分类准确率。实验分析中采用三组主流的高光谱遥感影像分类数据库,证明了算法能够很好解决训练类标有限问题,达到了主流的分类效果。最后利用提出的模型融合高光谱和LiDAR数据,表明了算法能够自适应扩展到多源数据融合分类应用。4.提出了一种利用地面街景图像的弱监督信息指导遥感影像跨视角语义分割模型。遥感影像数据标注需要花费大量人力物力,为此模型利用域适应模型和域内及跨域生成对抗损失函数,学习航拍图像和街景图像对中共享及特有的两种特征映射关系。然后基于全卷积网络的语义分割网络,提取遥感影像的语义信息,并加入对抗损失项保持语义分割结果的空间一致性。在常用遥感影像语义分割数据集上的结果显示,本算法能够很好的联合地面街景数据的标注信息,通过域适应模型保留遥感图像和街景图像的场景分布,提高跨视角的分割精度。并且设计了利用遥感信息辅助街景数据地理定位的实验,进一步验证算法的应用前景。上述研究涵盖了遥感影像的多时相复原重建,不同分辨率多源数据融合,高光谱遥感图像分类及遥感影像和街景数据跨视角融合、地理定位几个方面。论文系统解决了从遥感影像获取到训练样本有限情况下遥感影像解译,语义信息分割的一系列问题,具有良好的理论基础和工程应用价值,为高分辨率遥感影像的推广应用提供了关键技术支持。