遥感图像融合是指将相同或者不同传感器获得的同一场景图像进行融合,得到适合多种研究领域所需要的高质量遥感图像。全色(Panchromatic,PAN)图像和多光谱(Multispectral,MS)图像的融合是遥感图像融合领域研究的热点,目的是将具有高空间分辨率的PAN图像和高光谱、低空间分辨率的MS图像融合生成既具有高空间分辨率又具有高光谱分辨率的MS图像,实现遥感图像的空谱融合。大量遥感图像融合方法已取得丰富成果,传统的线性遥感图像融合方法通常会引起光谱失真,目前的基于深度学习非线性融合方法容易忽略充分利用每个卷积层的信息,并且深层次网络容易出现梯度消失和梯度爆炸问题。基于此,本文结合密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)和残差网络(Residual Networks,ResNet)的特性,提出了两种基于深度学习的融合方法,主要的研究内容包括:(1)提出一种密集卷积残差网络(Residual Networks with Dense Convolution,DCRNet)的遥感图像空谱融合方法,该方法通过建立多个密集卷积块来充分利用卷积层的分级特征,块中层与层之间的短路径连接有利于特征和梯度的传递,通过重复利用特征减轻冗余特征重复学习的负担。同时块与块之间通过过渡层加快信息流动,从而最大程度地对特征进行极致利用并提取到丰富的特征。并且该网络应用残差学习拟合深层特征与浅层特征之间的残差,在加快网络收敛速度的同时缓解梯度消失和梯度爆炸。利用4波段高分1号(GaoFen-1,GF-1)和8波段WorldView-2(WV-2)卫星的模拟数据实验和真实数据实验来验证方法的有效性,从主观视觉评价和客观定量评价两方面来看,本文方法得到的融合结果要优于所对比的传统融合方法和深度学习方法,并且本文网络具有鲁棒性,能够较好地泛化到不需要预训练的其它卫星图像。通过特征的重复利用实现了光谱信息的高保真并提高了空间细节分辨能力,在融合性能和运行效率之间取得了较好的平衡,有利于遥感图像的应用研究。(2)提出一种联合密集卷积残差网络(Residual Networks with Joint Dense Convolution,JDCRNet)的遥感图像空谱融合方法,该方法主要是针对如何提高网络运行效率,在第一种方法网络结构的基础上重新搭建的网络。首先,对密集卷积块进行重新设计,改变密集卷积块中卷积层的个数,同时将密集卷积块的输入只作为块中第一层的输入,而密集卷积块的输出只为块中最后一层的输出;其次,相邻的块与块之间直接串联连接,有利于信息的传递;最后,将多个密集卷积块的输出联合拼接在一起进行密集特征的融合。主观视觉效果和客观定量评价结果表明该方法在保持光谱信息的同时改善了空间信息,在具有一定泛化能力的同时有效地提高了运行效率。