遥感影像融合旨在将空间对应的多幅遥感影像进行融合以获得信息更加丰富的高质量遥感影像。其中高光谱影像与多光谱影像由于其信息高度互补,成为遥感影像融合研究的重点对象。近年来高光谱遥感的发展如火如荼,但受制于硬件的限制,高空间分辨率的高光谱影像难以直接获取,因此需要使用软件方法将低空间分辨率的高光谱影像和低光谱分辨率的多光谱影像的信息进行融合,从而得到更加精准的遥感图像。传统的融合方法基于手工设计的数据特征进行,因此无法得到较好的效果,而基于深度学习的融合方法使用端到端的训练,避免了对特征的人为定义,能够获得更好的融合效果。但是由于现有基于深度学习的融合模型针对空间特征进行设计,所以结构复杂且参数较多,对数据要求高,导致其难以训练且容易出现过拟合。在此背景下,本文在基于深度学习的遥感影像融合方法的基础上提出了遥感影像的像元融合方法,遥感影像的像元融合方法逐像元地在信息层面对高光谱影像和多光谱影像进行融合,即首先对像元光谱进行信息编码,进而在像元编码上实现融合。由于不考虑空间特征,像元融合能够降低融合模型对于训练数据的要求,也降低了模型的复杂度。在此基础之上,本文提出了两种遥感影像的像元融合模型以及配套训练方法,主要工作内容总结如下:1)提出了基于非局部压缩网络的遥感影像融合方法用于高光谱与多光谱遥感影像融合。非局部压缩网络首先使用非局部压缩编码器对高光谱像元进行编码,再使用近似编码器对多光谱像元进行编码,然后使用融合模型将两个编码融合,最后使用共享解码器对融合编码进行解码得到高质量高光谱影像的像元。由于针对像元提取特征,非局部压缩网络能够获得更好的融合结果。2)提出了分离式增强训练方法,用于扩展像元融合模型的训练数据来源。在使用原有数据进行整体式训练的基础上,分离式增强训练将端到端的非局部压缩网络拆解为不同的编码解码器组合进行训练,各个编码解码器组合分别学习高光谱像元的非局部压缩编码和多光谱像元到高光谱像元编码的近似映射。分离式增强训练阶段不要求与高光谱影像相匹配的多光谱影像组成训练集,因此允许模型在来源更加丰富的数据上进行训练。3)提出了基于深度稀疏网络的遥感影像融合方法,用于高光谱与多光谱遥感影像的高效融合。深度稀疏网络模拟哺乳动物神经系统的工作方式,拥有分层稀疏编码、同层竞争和自顶而下进行反馈的特点。通过对神经系统的模拟,深度稀疏网络能够降低模型参数冗余,并且能在较小的数据集上得到更加充分的训练,从而提升在小数据集上的融合效果。