遥感图像因其特殊的复杂性与固有的不确定性,致使计算机在处理遥感图像时会面临许多模糊性与歧义性的问题。相比于自然图像,遥感图像中涵盖着更为复杂的地物、大气、噪声等信息,不同图像中地物信息的差异性与复杂性对后期图像分类和识别等任务提出了新的难题。如何对遥感图像进行有效前期预处理,规范其不确定性,增强图像固有特征,对后续可实际操作具有重要意义。由于卫星传感器受到硬件技术自身限制,对地观测卫星只能够获取空间分辨率高、光谱分辨率低的全色图像和空间分辨率低、一定光谱分辨率的多光谱图像。提高遥感图像的可识别性以及在后续其他应用中的可操作性,遥感图像融合是其中一种行之有效的手段。本文针对现有的遥感图像融合算法难以兼得光谱和空间分辨率的问题,从图像形态成分稀疏分解角度出发,利用当前深度学习强大的非线性特征表达能力,将稀疏表示引入至基于深度学习的遥感图像融合。通过形态成分分析来稀疏分解遥感图像,并通过改进卷积神经网络的模型,将密集连接引入遥感图像融合算法中,进一步增强融合图像的质量。旨在充分利用遥感图像的空间信息,从而能够提高融合后多光谱图像的空间分辨率,研究了多形态卷积神经网络的遥感图像融合方法。主要工作概括如下:（1）由于稀疏表示可以有效描述地物光谱和空间信息,基于卷积神经网络框架,研究了一种基于多形态稀疏分解的遥感图像融合方法。结合局部离散余弦变换基和曲波变换基组成分解字典,将形态成分分析法引入到遥感图像融合中,通过稀疏分解来精准地提取全色图像和多光谱图像的纹理成分和卡通成分,快速、准确地得到图像中所包含的原始信息,降低图像处理的复杂度。向卷积神经网络中输入稀疏分解的不同形态成分,并通过相邻像素计算的方式,使网络提取其关键特征并有效融合,输出一幅含有丰富空间信息的多光谱遥感图像。（2）在前一工作基础上,将改进的密集连接引入到卷积神经网络中,提出了一种基于多形态密集网络的遥感图像融合方法。在稀疏分解输入图像的基础上,通过在神经网络中建立前层网络与后层网络的稠密连接,在特征层尺度不变的情况下改变网络的通道数量,使网络能够在参数和计算成本更少的情况下更大程度地保留输入图像特征,大大减少了网络计算量的复杂程度。在密集块中使用双路径特征提取来取代单一路径的特征提取,将纹理分量的特征连接至卡通分量的特征块中以捕捉输入图像之间的复杂关系。实现比残差网络等现有流行模型更好的融合效果,得到空间细节和光谱信息更为丰富的融合图像。本文通过利用图像中的多形态成分对现有基于卷积神经网络的遥感图像融合方法进行了有效地改进,使其最终融合的遥感图像在保留光谱信息的同时,融入了更有表示意义的细节信息。在不同卫星数据集的实验结果表明,与经典的遥感图像融合方法和流行的深度学习方法相比,本文的方法在主观视觉效果和客观评价指标方面,都取得了较好的融合结果。