随着遥感技术的日新月异，大量的遥感信息正在被源源不断的获取。为了更好的利用这些来自不同传感器，反映地物不同特性的遥感图像，需要进行多层次的综合处理。图像融合理论的发展为多源遥感图像的综合利用指明了方向。图像融合是指通过一定的方法将两幅或多幅具有不同特性的遥感影像进行处理得到新图像的过程，融合得到的图像应能充分反映不同源图像的特性。目前，遥感图像融合是遥感图像处理领域中的研究热点之一，各种新方法不断被提出。本论文围绕高分辨率遥感图像的像素级融合展开，主要内容及创新点如下:　　1)基于KNN-TAR的特征匹配方法　　图像配准是融合的重要预处理步骤，经过高精度配准的图像才能进行融合处理。介绍了基于特征点的图像配准方法，将KAZE特征点算子用于遥感图像的配准。针对基于特征点的刚性图像配准方法易出现误匹配的问题，提出了一种特征匹配方法，可用于检验匹配点中的误匹配点对，提高配准的精度。在该方法中，利用图像局部的特征点邻接结构构造了一种仿射无关的特征检验描述符KNN-TAR，利用KNN-TAR提取候选误匹配点，再结合图像全局结构信息设计基于最优化方法的高精度匹配算法，从候选点中找到真正的误匹配点。实验结果表明该算法能稳定、高效地剔除误匹配点。　　2)基于内容的自适应分量替换融合方法　　提出了一种基于图像内容的自适应分量替换融合方法。设计了脉冲耦合神经网络模型——PCNN-IS，可根据全色图像和各多光谱图像问局部相关性的差异实现图像分割，根据图像间局部的相关性确定高频细节信息的注入方式，更好的针对不同区域地物的特征进行融合。在局部相关性强的区域，更注重高频细节注入;在局部相关性弱的区域，则更注重光谱信息的保留。实验表明该方法得到的融合结果图像既有较高的空间分辨率，又能保持好光谱特性。　　3)基于稀疏编码的遥感图像自适应融合方法　　提出了一种实用的基于稀疏编码方法的遥感图像融合模型，能够结合全色图像和低分辨率多光谱图像自适应地实现融合。而以往基于稀疏编码的图像融合方法中，普遍利用低分辨率多光谱图像进行图像超分辨率重建的方法来实现全色锐化，并未充分的结合全色锐化问题的特点。在本文模型中，能够自适应的平衡融合图像的空间分辨率和光谱特性。设计了高、低分辨率联合字典的训练方法，可使得字典的表示精度更高。利用全色图像进行高、低分辨率联合字典的训练，不需要其它高分辨率的多光谱图像用于字典训练，使得本文算法更加实用。实验表明，本方法可以取得较好的融合效果。　　4)基于图像融合的高光谱图像修复方法　　提出了一种基于图像融合的高光谱图像条带去除算法，通过融合参考图像中的相关信息，修复高光谱图像中的条带。即便参考图像的空间分辨率低于条带图像，也能实现高光谱图像的条带修复。对于高分辨率波段出现的条带，首先对其进行降采样，利用贝叶斯字典学习方法修复得到与参考图像具有相同的分辨率的修复图像，再利用稀疏编码超分辨率重建方法将低分辨率图像恢复到原始的分辨率。实验表明该方法能有效的修复高光谱图像中的条带。