多源遥感图像融合是数据融合的重要内容，也是图像理解和计算机视觉领域中的一项重要技术。其理论和应用研究的目标是把来自多个传感器的图像进行智能合成，获取比单一传感器更精确、更完整、更可靠的描述。本文主要针对多源遥感图像，运用多分辨分析和神经网络等理论，深入研究了像素级、特征级和快速融合问题。针对Mallat小波变换方法得到的融合图像存在细节信息含量不够和振铃效应的问题，本文提出了一种保真的小波(HFWT)融合方法。该方法主要通过灰度对比度融合算子，有效地将高分辨率图像的低频分量融合到多光谱图像的低频分量中，降低了失真度。本文不但从理论上进行了证明，而且应用在高分辨率图像和多光谱图像的融合实验中也取得了很好的结果。针对单小波融合方法的融合结果存在光谱畸变等缺点，提出了一种多小波(MWT)的融合方法。该方法克服了单小波融合方法的移变性缺点，实验证明它不仅避免了融合图像的振铃效应，也有效地消除了融合图像的光谱畸变。针对小波融合方法只对低频分量进行分解，对高频分量不做进一步分解，致使富含边缘信息的高频分量不能根据实际情况灵活采用不同融合规则和算子进行融合的缺陷。提出了一种小波包方向自适应(WPT-OA)图像融合方法。通过定量分析与目视评价，证明该融合方法的融合结果明显优于小波融合方法。图像较大时，小波包融合方法的计算量大，不能满足实时融合的要求。通过对小波包融合方法的流程和并行性的分析，提出了一种小波包变换并行融合算法。该算法针对小波变换计算的数据局部性和边界计算相关性特点，采用规整数据分块和冗余存储思想，使得融合过程完全不需要通信。在Pentium PC和1000Mbps交换式以太网的8机系统的MPI(Message Passing Interface)并行环境下，针对不同大小图像进行实验，结果表明该算法具有良好的并行性能，8机融合加速比最高可达6.3798。此外，本文还根据对线状目标识别的实际应用需要，提出了一种SAR图像目标区域分割和光学图像目标区域边缘定位的特征级融合方法。该方法首先依据SAR图像目标区域原始特征的类别可分性，确定了以惯性矩为最优特征建立一个初始特征，然后，通过马氏距离测度进行特征减维，在此基础上利用模糊神经网络进行SAR目标区域分割，最后对配准的光学图像进行边缘定位，从而完成特征级的融合。实验表明，融合结果具有较准确的目标区域和较精确的目标边缘。