随着卫星技术的不断发展,高分辨率遥感图像不断出现,遥感图像在农业领域、城市区域分析、环境监测、道路网络提取等方面都得到了广泛应用。由于成像设备的不同,可以得到多种遥感图像,例如多光谱图像、高光谱图像、以及全色图像。为了更好的对图像中的目标进行解释,本文对多光谱和全色图像的融合、以及高光谱图像的分类问题进行了研究。本论文为了有效地提高融合图像的质量和高光谱图像的分类精度,从基于视觉稀疏表示的多光谱和全色图像的融合和基于深度脊波网络的高光谱图像分类两个方面进行了研究。全文主要工作内容如下：(1)提出了一种基于Mask Dodging和非下采样Shearlet变换的多光谱和全色图像融合方法,用于解决融合图像的细节信息受到薄云干扰的问题。在该方法中,采用Mask Dodging法分别对多光谱和全色图像中的薄云进行有效地去除。对去云后的图像,提出自适应PCA变换和非下采样Shearlet变换相结合的融合方法来提高融合图像的光谱和空间分辨率信息。针对去云过程造成薄云所在区域地物细节信息丢失的问题,设计一种新的图像增强方法,在融合过程中对云区丢失的细节信息进行增强。实验结果表明,设计的方法能够使得融合图像不仅具有较好的空间分辨率信息和光谱信息,同时具有较为一致的清晰度。(2)提出了一种基于初始素描模型和学习插值的多光谱和全色图像融合方法。基于初始素描模型,可以得到高分辨率全色图像的初始素描图。初始素描图是由一些线段组成,包含了图像的边、线特征,并且素描图上的每一个线段都包含方向信息。本文根据初始素描图上线段的方向,设计区域划分方法,将多光谱和全色图像划分为结构、纹理和光滑区域。针对多光谱图像中的结构区域和纹理区域,结合高分辨率全色图像的梯度信息,分别设计了结构和纹理学习插值方法,对插值像素进行学习。实验结果表明,提出方法在不同卫星成像得到的多光谱和全色图像上测试,证明了本文算法的有效性。(3)提出了一种基于压缩超分辨重构和多字典学习的多光谱和全色图像融合方法。在该方法中设计了一个两阶段的压缩超分辨重构模型,有效的解决了基于压缩感知融合模型中高分辨率全色图像与线性加权的高分辨率多光谱图像之间存在误差的问题。同时,结合图像的素描信息,针对多光谱和全色图像不同区域的特点,设计了由脊波字典、曲线波字典、以及DCT字典组成的多字典。该字典分别用于两个阶段的超分辨重构中,来提高融合图像的重构效果。实验结果表明,该方法能够较好的解决最近提出的基于压缩感知融合模型产生光谱失真的问题,进一步提高融合图像的空间分辨率。(4)基于Hinton等人提出的自编码器,提出了脊波自编码器,以及基于该自编码器的高光谱图像分类方法。在该方法中将脊波作为深度网络的激活函数,进一步提高整个网络对高维非线性决策函数的稀疏逼近能力。相比于标准的激活函数sigmoid、双正切以及rectifier函数,脊波具有尺度、位移和方向信息,同时,它是紧支撑的,因此脊波自编码器能够有效地提高网络的稀疏逼近能力。通过高光谱图像、MNIST手写体数据库、CIFAR10数据库、以及双螺旋线非线性分类实验证明,脊波自编码器能够有效的提高测试数据的分类精度。(5)根据卷积神经网络的框架,结合脊波函数的特性,提出了一种基于脊波卷积神经网络的高光谱图像分类方法。在该分类方法中,提出了脊波滤波器初始化和空谱结合的高光谱图像分类方法。与标准的卷积神经网络框架下的初始化方法相比,脊波滤波器初始化方法在逼近光谱和空间信息方面,具有更好的稀疏表示能力和更快的逼近速率。而与标准的特征学习方法相比,本论文方法仍然继承了标准的卷积神经网络的结构,提供了一个自适应有效地特征学习方法。实验结果表明,所提出的方法能够有效的提高网络的逼近速率和提高高光谱图像的分类精度。(6)提出了一种基于三维卷积神经网络的高光谱图像分类方法。标准的卷积神经网络被证明是一种较好的特征提取方法,但是它只能对二维图像的特征进行学习。高光谱图像是一个像素立方体,空间特征对于提高分类精度也是十分有帮助的。在本论文中,三维卷积神经网络的应用被扩展到高光谱图像分类问题上。通过三维卷积操作,挖掘高光谱图像更加复杂的特征。除此之外,该方法进一步研究了三维脊波滤波器对三维卷积网络的影响。提出的方法在高光谱图像数据集上进行了测试,分类精度得到了较大幅度的提高。