随着技术的不断进步,对地遥感已经进入了多平台、多传感器、多角度观测的快速发展阶段。然而,受现有的技术水平与成像指标的制约,单一遥感系统所观测的地表信息往往并不全面,同时获得高时间、高空间与高光谱分辨率的数据仍然十分困难。时空数据融合是多源遥感数据融合方法中的一种,是解决这一困境的有效途径,它能够突破单一传感器的性能桎梏,有效发挥多平台互补观测的优势,从而实现更加精准、全面的陆表监测。时空数据融合算法可分为基于混合像元分解的融合方法、基于时空滤波的融合方法和基于稀疏表达的融合方法3类,其中基于时空滤波的融合方法因其具有框架简单、操作方便、预测精度较高等优点而应用广泛。此类方法一般通过多源、多时相遥感数据进行数学运算,利用相似像元提供的信息融合得到高分辨率影像。相似像元的质量是影响预测精度的主要因素之一,其选取方法可分为局域与非局域2类,但已有研究对不同选取方法对融合算法的影响讨论较少。有鉴于此,本研究分别选取局域与非局域滤波算法中的典型算法(ESTARFM算法和STNLFFM算法),选用不同时相的8期Landsat 8 OLI/TIRS影像和与之对应的MODIS MOD11A1数据产品(分别位于河南省和福建省)。通过试验,对比分析两种算法融合得到地表温度(Land Surface Temperature,简称LST)数据的精度和影响残差大小的因素。此外,本研究还改进了STNLFFM算法的数据处理方法以提升其使用MODIS地表数据产品时的适用性。研究结果表明:(1)改进后的STNLFFM算法能较好的处理存在少量空值的MODIS MOD11A1地表温度数据产品,相较于原算法融合结果的精度明显提高;(2)从纹理、值域等角度看,除个别结果外,局域与非局域滤波算法的LST融合结果均与观测影像高度相似,具备替代观测影像的潜力;统计分析表明,非局域滤波算法(STNLFFM算法)融合结果与观测结果的相似程度更高;(3)从残差角度分析,对于同一时空数据融合算法,LST残差分布存在显著的区域性差异特征;而对于同一区域,融合算法的选取对LST残差分布特征影响较小。(4)LST残差分布与地表覆盖类型关系密切,具体而言与植被覆盖度呈现正相关关系,而与建设用地呈现负相关关系。