随着可用遥感图像数据的增加,遥感图像在农业监测、领土安全和其它领域发挥着越来越重要的作用。现有单一卫星传感器无法提供同时满足高空间分辨率和高时间分辨率的数据,因此国内外研究者提出了多种时空融合方法来缓解这个问题,通过融合两个或者多个传感器的数据,得到同时具有高空间分辨率和高时间分辨率的图像。随着图形处理单元硬件的发展和研究的深入,深度学习在许多领域得到广泛应用。在时空融合领域中也提出了一些基于深度学习的方法,并取得了显著的效果,但这些方法大多采用单一的损失函数,且存在特征提取能力较弱的问题。本文主要基于注意力机制、残差网络和多尺度机制对时空融合方法展开研究,主要研究内容如下:1.本文提出了联合残差聚集和通道注意力的时空融合方法。该方法首先使用残差聚集机制,通过短连接使得网络深层可以直接看到浅层学习到的具有高度代表性的残差信息,提升了特征的利用率,进而提升了融合结果的质量。紧接着使用通道注意力机制对特征进行了选择,对更重要的特征给予更多关注。最后结合时空融合任务的特点,为高分辨率图像使用了额外的一个分支提取特征,且使用跳跃连接和网络深层学习到的具有高语义信息的特征一起完成融合任务,以保留更多的空间信息。在两个数据集的实验结果表明,提出方法的融合效果具有显著提升。2.本文提出了联合多尺度和空间通道注意力机制的时空融合方法。该方法首先通过多尺度机制在不同尺度上提取图像的特征,然后把这些不同尺度的特征图融合得到具有不同尺度信息的特征。此外在第一个方法的研究基础上提出了空间通道注意力机制,可以同时学习特征之间的关系和特征内部的空间关系。这不仅有利于提升融合结果的光谱信息,也有利于提高融合结果的纹理信息。在两个数据集的实验结果表明,提出方法的融合效果在主观评价和客观评价均有提升。