近年来,伴随着遥感技术的迅猛发展,各种遥感器多方面地反映地物目标的特性,构成同一区域的多源数据,如何把这些多源的海量数据尽可能作为一个整体来综合利用,以便从中提取出更加完整精确的信息,为人类进行资源、环境和灾害调查提供依据,是目前遥感图象处理领域的一个关键课题。根据不同遥感器各自的成像原理与特点,多源遥感图象融合技术可以利用不同的组合模式,实现图象增强、改善图象质量、提高图象分类和目标识别的正确率,这样的融合结果比利用单源遥感器得到的信息更精确可靠。本文针对几种具体的图象源,在分析像素层融合算法的原理的基础上,实现光谱信息保持性的改善,并进一步讨论特征层与决策层的融合算法,以提高地物识别与分类的准确性。首先,在分析几种传统的像素层融合算法如IHS、PCA、SCN的原理基础上,针对其融合结果在引入空间信息的同时,对光谱信息都会产生不同程度破坏的问题,本文提出了利用统计修正的改进方法。即调整高空间分辨率图象与多/高光谱图象某些成分之间的统计特性使其具有某种程度上的一致性。实验结果表明,融合结果图象在空间细节信息提高的同时,光谱信息保持性有了改善。其次,为了将成像机理不同的SAR与多光谱图象进行融合并应用于地物分类,本文研究了基于特征提取的融合算法,即利用纹理统计方法提取SAR图象的纹理特征,并与多光谱图象光谱特征共同组成特征集合,作为最大似然分类方法的输入进行地物分类。实验结果分析表明,该方法的分类精度高于利用像素层融合分类和利用多光谱与SAR图象直接分类的结果。最后,研究多源图象决策层融合的两个具体应用,多源图象目标区域识别和多源图象分类。本文讨论了基于证据推理的融合算法,即将单信源决策转化成证据推理中的基本概率赋值,利用组合规则将其组合,再根据决策规则获得融合结果。在此基础上,对基本概率赋值的构造方法进行了改进。从结果可见多源融合减少了单信源的不确定性,并且提高了识别和分类精度。