随着传感器技术的不断进步,各种对地观测卫星源源不断的提供具有不同空间分辨率、光谱分辨率和时间分辨率的地物遥感影像。由于入射光能量有限,光学遥感系统在信噪比、光谱分辨率以及空间分辨率之间存在权衡。因此,卫星传感器通常只能测得一个高空间分辨率的全色图像与几个低分辨率的多光谱图像。全色锐化是一种融合多光谱与全色图像的技术,其旨在使用全色图像提高多光谱图像的空间分辨率。全色锐化方法作为遥感任务中一项基本且重要的预处理步骤具有重大的研究意义。近年来,深度学习方法在计算机视觉领域取得了令人瞩目的效果,学者们也开始将其引入遥感领域解决相关问题。基于此,本文在深度学习框架上整合了空间和光谱两个领域的特定知识,构建非线性深度学习模型以实现多光谱图像的全色锐化。本文主要进行了以下工作:(1)本文按照全色锐化算法提出的先后顺序,对国内外研究现状进行总结及分类。分析发现基于成分替换的方法虽然边缘细节清晰但存在严重的光谱失真,基于多分辨率分析的方法解决了这一问题但会出现空间信息退化现象,而基于深度学习的全色锐化模型泛化能力不足且深层网络容易出现网络退化。(2)针对经典全色锐化方法的缺点,本文提出一种基于深度残差神经网络(ResNet)改进的多光谱图像全色锐化算法。该算法实现了端到端的深层网络,且模型在WorldView-3模拟数据上自动学习输入与输出之间的映射关系。实验分析表明,改进的算法有效的防止了深层网络的梯度爆炸或消失以及网络退化问题。(3)为了使深度残差网络适合解决全色锐化问题,本文使用ASPP模块代替池化层以减少空间细节信息丢失,并使用可学习参数的转置卷积上采样重建图像尺寸。与多种经典模型在WorldView-3和GF-2数据上进行对比实验,证明了基于深度残差网络改进的方法有效的保留了的空间细节,同时减少了全色锐化图像的光谱失真且具有较好的泛化能力。本文利用卫星数据对多光谱全色锐化算法进行实验,结果表明,所提出方法在空间和光谱信息保留方面的先进性和优越性。