卫星遥感成像系统与目标物体距离较远,导致图像处理中存在识别率降低和部分细节信息缺失等问题,影响遥感图像中目标的精确提取,因此对遥感图像超分辨率重建方法的研究具有重要意义。在稀疏表示理论和卷积神经网络超分辨率重建方法基础上,针对遥感图像局部细节模糊、部分特征信息丢失的问题,提出了一种基于非局部自相似性的多特征联合超分辨率重建算法,利用梯度算子和相位一致性方法联合表示遥感图像的高频信息,采用联合字典思想和K-SVD分解算法进行稀疏字典学习,并引入非局部自相似性约束项对重建图像进行全局优化。为了进一步解决结构复杂的遥感图像重建问题,提出了一种改进的卷积神经网络超分辨率重建算法,通过增加网络层数来学习更深层的图像特征,利用反卷积对遥感图像进行自适应上采样,并在网络中加入残差学习结构的方式,解决了人工特征提取方法难以准确地表达复杂遥感图像的结构细节信息问题。仿真结果表明,基于非局部自相似性的多特征联合超分辨率重建算法的平均PSNR值和SSIM值分别比SCSR算法提高了 1.17%、0.05%,改进的卷积神经网络超分辨率重建算法的平均PSNR值和SSIM值分别比基于非局部自相似性的多特征联合超分辨率重建算法提高了 3%、0.43%。所提重建算法比传统算法表现出良好的重建效果,为遥感图像的超分辨率重建提供了一定的理论参考。