针对水色遥感,国际上已经发射了多种海洋水色遥感传感器,例如Sea-Viewing Wide Field-of-View Sensor (SeaWiFS)、Medium Resolution Imaging Spectrometer (MERIS)、Geostationary Ocean Color Imager (GOCI)等。但是,由于内陆水体面积较小,且光学性质复杂,现有的卫星传感器的空间分辨率和光谱分辨率依然难以满足水色参数反演的要求。针对这一问题,本研究对遥感影像融合的算法进行了系统的研究,试图通过对现有数据的融合计算,获得更加适合内陆水色遥感的数据。首先利用模拟实验,详细分析了影像数据空间分辨率、光谱分辨率对水色要素反演误差的影响；进而系统地分析了不同分辨率影像融合的效益；最后,根据内陆水体遥感的特性,改进和提出了3种适用于内陆二类水体影像的影像融合算法,并从视觉效果、精度指标、叶绿素a浓度估算等3个方面,与常用的color normalized (CN)、Gram-schmidt (GS)和 wavelet transform (WT)算法进行了对比分析。论文的主要研究结果如下：(1)从遥感数据空间分辨率及光谱分辨率的角度,对三种主要水色要素浓度反演的影响进行了分析。模拟实验结果表明,对于波宽为1nm的传感器而言,在400-900nm波长范围内的波段数量大于20个之后,反演结果的精度主要由传感器空间分辨率主导；在传感器波段数量小于20个时,反演结果的精度主要由波段数量主导。遥感反射率波段对三个参数的敏感性分析实验表明,遥感反射率对叶绿素a浓度的敏感波段,有两个峰值,出现在680nm和710nm左右；对总悬浮物浓度的最敏感波段在700nm左右。利用模拟实验结果,对常见传感器两两之间理论上的融合效益进行了对比分析,结果表明,对内陆二类水体而言,HJ1-CCD数据与MERIS数据的融合效益较高,且可行性最强。(2)构建了3种针对内陆二类水体的影像融合算法。①改进了Unmixing-Based Fusion (UBF)算法的最优波段选取和分类方法,构建了改进的UBF算法——Improved UBF (IUBF)算法;②基于反演的思想,定义了比例矩阵这一概念,利用传感器的点扩散函数和波段响应函数,构建了Inversion-Based Multispectral-Hyperspectral fusion(IBMHF)算法；③基于水体生物光学模型,结合传统Pan-sharpening算法中的空间信息叠加思路,开发了Bio-Optical Fusion (BOF)算法。从视觉效果以及精度指标两个方面,基于2景Hyperion模拟数据以及3景HJ1-CCD、MERIS数据集,对常用的CN、GS、WT算法,以及本研究提出的IUBF、BOF和IBMHF算法进行对比分析。结果表明,不论从视觉效果还是定量精度来看,CN算法都过度依赖HJ1-CCD数据,虽然能够捕捉充足的空间细节信息,但光谱信息损失较严重；GS和WT算法表现比较接近,但与CN算法呈现相反的趋势,二者过度依赖MERIS数据,融合结果在颜色上更接近MERIS数据,但空间细节信息损失较严重；IUBF算法表现不稳定,在相对复杂的水域中,表现较好,但在复杂度较低的水体中,表现较差；BOF算法整体表现较好,也较稳定,但在水华区域,会因生物光学模型本身的局限,出现少量异常值,影响整体影像的视觉效果；IBMHF算法在视觉效果和定量指标中的表现整体最好。(3)利用融合数据反演叶绿素浓度的应用检验。首先利用实测数据集,针对不同遥感数据波段参数,构建了三波段模型和波段比值模型,然后将模型应用于HJ1-CCD数据、MERIS数据以及6种算法融合得到的结果影像中。从叶绿素a浓度空间分布和叶绿素a浓度统计信息两方面来看,BOF算法和IBMHF算法的效果相比于其他几种算法较好,空间分布既能体现细节信息,也能保证局部叶绿素a浓度值的对比度。同时,概率密度分布图峰值接近MERIS数据,且值域连续,没有跳变现像,表明涵盖的叶绿素a浓度区间更完整,接近自然状态。