在区域和全球范围内,科学、准确地监测地表覆被信息,不仅能为人类经济、社会活动提供科学的决策依据,还能为地球科学系统、环境和气候动态监测等相关研究提供重要的数据基础。为了满足高质量和高精度遥感信息提取的需求,如何通过遥感影像空间降尺度方法,提高遥感影像的空间分辨率已成为一项研究热点。目前,针对不同的数据源和应用场景,已经发展了不同的遥感影像降尺度模型,其中空谱融合、时空融合和超分辨率制图是最具代表性的三个研究方向。无论是哪种遥感影像降尺度方法,都涉及到时间、空间和光谱分辨率的信息处理问题,这三种都是从低分辨率到高分辨率的数据生成过程。由于遥感影像数据本身的多样性,以及不同遥感影像所含时间、空间和光谱信息的复杂性,现有降尺度方法仍存在较大局限性,亟待在理论和实际应用上进一步深化。遥感影像降尺度模型的主要难点表现在以下几个方面:首先,在卫星传感器观测过程中,由于降质成像的复杂机理问题,遥感影像的时间、空间和光谱信息相互影响,导致单一遥感数据源的地表覆被动态监测往往只具有时间或空间的单一优势;其次,遥感影像的降尺度过程是一个典型的欠定反演问题,存在多解的可能性,必然会导致求解的不准确;最后,传统的降尺度方法理论比较简单,局限性较多,而新兴的机器学习（包括深度学习）降尺度模型虽然取得了一定的效果,但并没有针对复杂的地理问题提出针对性的改进,从而限制了这些方法的具体应用。论文以遥感影像降尺度为研究目标,针对遥感影像存在的时间、空间和光谱分辨率不一致的信息处理问题,利用生成对抗网络,针对复杂的地理现象和具体的应用环境,进行理论模型及实际应用方面的研究和探讨,主要研究内容包括:（1）系统分析了遥感影像降尺度的研究背景及意义,以提高遥感影像的空间分辨率为切入点,以空谱融合、时空融合和超分辨率制图为主要研究内容,阐述了遥感影像空间降尺度的相关理论和方法,指出了当前研究面临的困难与挑战,并对当前典型的模型进行简单的讨论和总结。（2）针对遥感影像空谱融合降尺度技术,提出了一种基于堆叠生成对抗网络的全色锐化模型。传统的全色锐化只是简单将全色与多光谱波段相融合,无法突破输入数据（通常是全色波段）的最高分辨率限制,降尺度的程度不高。为了充分和互补利用全色波段的空间信息和多光谱波段的光谱信息,将超分辨率重建与全色锐化两个方法有机的堆叠结合到一个深度学习模型中。在该模型中,一方面通过第一阶段的全色波段超分辨率重建网络架构进一步对全色影像降尺度,另一方面通过第二阶段的PCA全色锐化网络结构将第一阶段降尺度后的全色波段与原始的多光谱波段相融合,最终实现有效的空间细节和光谱特征提取。该模型解决了传统全色锐化模型所达到的最高分辨率只能与输入的全色波段空间分辨率相同的限制。（3）针对遥感数据时空融合降尺度技术,提出了一种基于深度卷积生成对抗网络的时空反射率融合模型。在时空融合过程中,时间信息与常规的光谱和空间信息相耦合,加大了空间降尺度研究的复杂性。传统的时空反射率融合模型处理时间、光谱和空间相耦合信息的方法比较简单,从而导致传统模型对地物类型的时空变化监测十分敏感,特别是在地物类型突变的区域,时空降尺度的效率更低。针对该问题,将经典的时空融合框架与深度卷积超分辨率重建技术整合到一个深度学习模型中,显著提高了反射率时相变化信息提取和空间降尺度的精度。该模型能够良好的保持多光谱波段间的相关性,同时是针对“一对案例”的重要端对端深度学习模型。该模型除了在异质区域中表现稳定外,在快速变化的洪水突变区域性能表现也很优异。（4）针对遥感影像超分辨率制图降尺度技术,提出了一种基于相对平均生成对抗网络的超分辨率制图模型。在传统的超分辨率制图模型中,光谱分解的误差会直接影响超分辨率制图的精度;同时,传统的空间分布描述方法不够准确,从而导致制图的精度不高。为了缓解光谱分解和混合像元带来的误差,依次在一个深度学习模型中训练光谱分解误差、空间降尺度和丰度到类别的非线性关系。该模型通过加入噪声条件学习消除光谱分解的误差;通过相对平均判别机制平滑了空间分布形状,使模型更适合离散变量（即类别）的训练;通过反卷积操作学习了丰度到类别的非线性转换关系。该模型解决了传统模型描述空间先验信息不准确、光谱分解和地物类别的分配会对模型带来误差的问题,显著提高了超分辨率制图的精度。（5）利用提出的基于生成对抗网络的遥感影像降尺度模型,探讨了模型的应用效果。以2020年的Sentinel-2多光谱影像为输入数据,开展了江汉平原四湖流域不透水面和水体的精细化制图应用研究。本研究生成的制图结果包含了丰富的空间信息,相比较于传统像元尺度的硬分类结果有了很大提高,验证了基于生成对抗网络的降尺度模型体系的应用价值。