由于遥感传感器硬件的限制，目前获取的遥感影像很难在空间、时间、光谱分辨率上同时达到最优。在精细尺度上对地表动态的监测对研究全球变化具有重要意义，但是当前的遥感影像很难满足实际应用的需求。具有较高空间分辨率的遥感影像具有较长的重访周期，若受到云的污染，则更加影响了数据的可用性。其中，厚云污染的影响较大，因为地表信息完全被云层覆盖，而且目前没有精度较高的厚云污染去除技术。另一方面，具有较短重访周期的数据的空间分辨率较低，限制了在地表异质性较强的区域的应用。因此，在对高空间分辨率遥感数据云污染处理的基础上，将其与高频低空间分辨率的遥感数据进行融合，生成高时空分辨率的遥感数据对区域尺度的地表研究具有重要意义。本研究主要包括下面两个部分：　　 (1)发展一种高效高精度的遥感影像厚云污染处理技术。传统的厚云去除方法多采用替代法，即利用其他时间获取的无云影像来替换云污染区域，这种方法反演的反射率精度较低，而且反演的影像在视觉上有斑块状。本研究提出一种新的厚云处理办法通过云周围的缓冲区计算各类地物的反射率变化量，进而反演云污染区内部各像元的反射率。将此算法应用于在真实遥感影像上的模拟云，得到了较为准确、可靠的结果。该算法相比已有算法具有以下优点：能正确反演出云污染的地表反射率，反演影像视觉效果清晰，细节保持较好，没有斑块状，而且该方法自动快捷，适合于海量遥感数据的处理，具有极大的实用性。　　 (2)发展一种高精度的多源遥感数据融合技术。传统的数据融合方法只能对同一时相的高空间分辨率全色数据和低空间分辨率的多光谱数据进行融合，不能提高数据的时间分辨率。本文基于STARFM算法提出一种改进的多源数据融合算法，利用获取的重访周期较短的低空间分辨率影像和重访周期较长的高空间分辨率多光谱影像，生成高时空分辨率的地表反射率产品。并将此算法应用于模拟影像和真实的遥感影像(MODIS和Landsat)，都得到了较为准确、可靠的结果。　　 基于以上2项新技术，生成目前传感器不能获取的高时空分辨率地表反射率数据，这对需要高精度动态变化信息的地表变化检测，生态模型遥感数据同化等研究工作带了很大帮助，具有广阔的应用前景。