遥感技术具有以非接触的方式快速获取大范围数据的优势,是水资源和水环境调查、水体信息提取的主要手段。而遥感影像的分辨率体现了数据的质量、能否为其提供更多、更准确的信息。受外部环境干扰与传感器制造工艺限制,导致遥感图像质量存在不同程度的衰退,超分辨率重建技术作为一种高效、低成本的提升图像质量的方法被广泛研究。现有的超分辨率重建方法中,相较于传统的如插值、统计学方法、信号分解等超分辨率重建方法,基于深度学习的方法作为“后起之秀”,因其实现过程简单、重建的图像质量拔群而受到超分辨率重建领域学者的青睐。本文从遥感影像与自然图像的差异性出发,提出一种卷积-去卷积交替神经网络(CDANN)。网络采用3D的卷积/去卷积层,通过卷积与去卷积层交替连接的方式,重复提炼图像高级、抽象的特征信息,并引入残差学习简化网络。考虑到同一场景的遥感影像,尤其是多光谱/高光谱遥感影像数据获取困难、数据样本少、数据体量大等问题,CDANN的网络结构设计旨在简单高效。同时采用3D的卷积/去卷积操作提取遥感影像数据特征,能有效地保护遥感影像数据的三维结构特征,兼顾其空-谱特性。此外,网络从遥感影像数据空间和光谱角度,定义了空间损失函数和光谱损失函数,使得网络训练过程中可以按一定的权重同时考虑遥感影像的空间和光谱信息。经过实验分析,本文的方法相较于传统方法和其他深度学习方法能够更好地提升遥感影像的质量,结合混合像元分解算法和超分辨率重建对鄱阳湖水域进行水域变化检测,有效地提高了检测的精度。最后总结了论文的研究工作并对未来工作做了进一步的展望。