随着卫星遥感系统的快速发展,遥感图像在灾害预警、森林植被监测、军事探测等方面得到了广泛应用。然而,由于技术的限制,单个传感器无法同时获得具有高分辨率光谱域和空间域的遥感图像。因此,在实际应用中,需将光谱分量和空间分量进行组合处理,通过全色锐化获得高空间分辨率的多光谱图像。近年来深度学习已经被广泛应用于全色锐化任务,并取得了显著的成果。但大多数方法无法有效地寻求图像间的映射关系,亦或缺乏针对整体网络结构设计完善的融合规则。本文针对全色锐化方法进行研究,得到了高质量的遥感融合图像。其主要基于注意力机制、多尺度特征融合及并行交互网络进行展开,内容如下:1.提出了一种基于多尺度延迟通道注意网络的全色锐化方法。该方法设计了一种正反馈模块,该模块通过误差反馈机制映射每一个阶段的误差,从而正向反馈网络的特征提取质量。另外,我们设计了一种多尺度特征融合模块,通过融合不同视野下的特征信息,来提高网络的信息提取能力。同时,提出了一种延迟通道注意机制通过自适应学习获得低频信息与高频信息的关联关系,给予高频信息不同权重,使网络在处理不同类型信息时更具灵活性。由获得的实验结果表明,该方法取得了明显的效果提升。2.提出了一种以并联交互网络为主体结构的全色锐化方法。该方法结合全色锐化领域知识,采用了子网并行输入的方式,降低了多分辨率子网建立所需的网络深度。该方法通过多分辨率子网获得了不同视场下的特征信息,并通过相同深度和相似层次的多尺度低分辨率特征来改善高分辨率特征的表示。在延迟通道注意机制的基础上设计了一个延迟通道注意模块,在提高网络特征选择能力的同时,避免了过拟合表示。实验结果表明,所提出的方法无论在质量评估还是视觉方面都极具竞争力。