近年来,搭载全色与多光谱图像传感器的各种卫星相继升空,遥感卫星成像特点随之发生了明显改变,主要表现为两方面:第一,WorldView系列新型卫星的多光谱图像波段划分更细、波段数量更多,第二,全色图像与多光谱图像的光谱重叠范围变窄、且重叠范围内光谱匹配性变差。这些变化导致现有融合算法在面向新型卫星的全色与多光谱图像融合问题时适应性变差。鉴于此,本论文即研究面向新型卫星的全色与多光谱图像融合算法,通过对深度学习及其相关理论进行研究与分析,本文具体以卷积神经网络为基本框架展开研究,通过构造多通道深度模型,实现了面向新型卫星的全色与多光谱图像融合,并在保持多光谱图像光谱特性的同时有效融入全色图像的空间细节信息。论文的主要研究内容与创新性成果概述如下:(1)针对新型卫星图像特点,提出一种基于多通道深度模型的全色与多光谱图像融合算法。首先构造三层卷积神经网络,并将全色图像与多光谱图像共同构成网络的输入图像,然后利用该网络提取输入图像各波段的图像特征,有效解决了现有算法受到图像波段数量限制的问题以及全色与多光谱图像光谱匹配性变差的问题;其次,采用对全色与多光谱图像截取图像块的方式构造网络训练集,有效解决了目前遥感图像不易大量获取的问题;进而,通过构造多通道深度模型,对不同尺寸训练图像进行训练,并将对应得到的不同权值参数和偏置参数分别应用于多通道深度模型的不同通道;最后,通过池化层对各通道融合结果进行整合,得到最终的融合结果图像。多通道深度模型能够综合不同通道的融合优势,在防止网络训练过拟合的同时,提高了融合结果图像的空间细节信息和光谱信息保持能力,有效实现了面向新型卫星的全色与多光谱图像融合。(2)在上述研究基础上,拓展研究以下三方面内容,用以进一步提高所提算法的准确性与稳定性。主要思想如下:首先,构造网络训练集时,对多光谱图像进行锐化处理以突出其高频信息,此举能够充分利用已有图像信息,包括在现有算法中被忽略的多光谱图像中的空间细节信息;然后,通过对训练集图像进行数据增强处理,将训练图像数量增加到原来的4倍,降低了网络训练效果的不稳定性,有效防止了网络训练过拟合的发生;最后,在多通道深度模型中加入池化层,并设计参数自学习方法,通过学习得到池化层的加权系数,减少了人为设定参数的随机性。上述工作能够有效增强融合算法的准确性。实验结果表明,本文算法能够将全色图像的空间细节信息与多光谱图像的光谱信息进行有效融合,并能够适应新型卫星的图像特点,融合效果较现有算法更优。