遥感图像融合的目的是通过融合低空间分辨率多光谱图像与高空间分辨率全色图像,获得一幅既包含丰富色彩信息又包含清晰纹理信息的高空间分辨率多光谱图像。最近,深度学习方法已经在遥感图像融合领域获得了巨大的成功,但是仍然存在不能灵活地处理判别通道之间不同级别的信息,导致光谱和空间信息丢失的问题和缺少真实参考图像,需要额外制作数据集的问题。针对这两个问题,本文提出了两种改进的基于深度学习的多光谱图像和全色图像融合算法,主要研究工作如下:首先,介绍了遥感图像融合中常用的几种数据集,说明了在遥感图像融合中常用的两种评估方法,并对每种评估指标的原理进行了分析,阐述了本文算法使用的深度学习相关的基础理论,并对目前常用的几种算法的优缺点进行了进一步的分析说明。其次,针对多光谱图像和全色图像融合过程中产生的光谱畸变与空间失真的问题,提出一种基于多尺度残差注意力网络的遥感图像融合算法。该算法首先为了提高图像在高频和低频信息重建的能力,使用三个不同的网络分别提取原始图像的低频特征和高频特征,并引入多尺度残差注意力模块到每个子网络中,从空间和通道两方面充分提取原始图像多个尺度上的信息;其次为了提高网络的信息表征能力,使用光谱角映射、绝对误差和几何梯度作为一种新的损失函数训练参数;最后在World View-2和World View-3数据集上的实验结果表明所提算法在光谱信息和空间信息保持方面优于对比的其他几种遥感图像融合方法。最后,针对没有真实的高空间分辨率多光谱图像作为标签数据,现有的大多数深度学习遥感图像融合算法需要额外制作模拟数据集的问题,提出了一种无监督的多尺度生成对抗网络的遥感图像融合算法。为了提高网络的特征提取能力,保留更多重要的特征信息,该算法在生成器中使用了多个多尺度密集连接块,用于充分提取原始图像的特征;依据遥感图像融合的特点,考虑到光谱和空间两方面的因素,使用两种鉴别器分别与生成器进行对抗训练,保护原始图像中的色彩信息和空间细节;同时为进一步提高融合图像的质量,该方法采用了一种新的损失函数更新网络参数,在Gao Fen-2和Quick Bird数据集上的实验结果表明,所提算法在全分辨率图像上的融合结果优于对比的其它算法。