遥感技术的不断发展,为人类对地球的观测研究提供了强有力的工具。由于光谱成像传感器的技术限制,提供的多光谱图像其空间分辨率较低,无法满足多数应用的需要。通过将多光谱图像和空间分辨率高的全色图像进行有效融合,得到一幅空间分辨率高的多光谱图像,可以有效解决多光谱图像空间分辨率低的问题。该方法又被称为多光谱图像的全色锐化(Pan-sharpening)方法或多光谱图像与全色图像的融合方法,受到国内外科研工作者的广泛关注。本文围绕多光谱图像的全色锐化问题,研究了各类经典的遥感图像融合方法,研究遥感图像融合质量的评价标准,综合比较在多个评价指标下各类算法的性能。归纳总结当前主流的图像融合技术,运用多尺度几何分析、稀疏表示、字典学习等理论,对现有算法加以改进。本文的主要工作和研究成果如下:(1)提出一种基于轮廓波子带自适应融合参数回归估计的多光谱图像全色锐化方法。由于传统的基于多尺度融合的方法,采取的方式大多是在不同尺度下的频率信息之间的替换,而忽略了各波段尺度之间的联系,针对该问题,本文提出的方法将全色图像与多光谱图像进行非降采样轮廓波多尺度多方向分解,并构造退化尺度下方向子带的全色图像和多光谱图像;采取多变量回归方法联合估计各方向子带的细节注入增益参数和平均亮度加权参数;进而设计自适应融合规则,进行细节的多尺度多方向自适应注入。实验结果显示,与传统方法相比,本文提出的方法可以获得更好的融合效果。(2)针对基于K-SVD字典学习的算法运算量大的问题,提出一种基于非降采样轮廓波变换和字典学习的Pan-sharpening算法。本方法结合多尺度几何分析和稀疏表示,用非降采样轮廓波变换提取图像细节,用亮度分量构造高、低分辨率字典对,根据高低分辨率下图像细节与全色图像的关系,结合稀疏表示理论,根据稀疏表示系数的尺度不变性得到需要注入的空间细节,注入多光谱图像中。实验结果显示,该方法有效减少了字典训练的时间,并较好地保留了多光谱图像的光谱特征。(3)上述方法通过对GeoEyel、WorldView2和Quick Bird遥感图像进行实验,实验结果表明,本文提出的方法在加强多光谱图像空间分辨率的同时,能有效减少光谱失真,在视觉效果和客观评价指标RMSE、SAM、ERGAS、UIQI、sCC、Q4上都具有较好的融合效果。