随着遥感技术的应用领域越来越广泛,对高分辨率遥感影像的需求也日益增加。因此,如何获取高质量高分辨率的遥感影像成为研究的热点问题,传统方法是将全色图像中的高频空间信息用特定算法提取,以叠加或替换某一分量的方式弥补多光谱数据分辨率不足的问题。然而传统方法提取特征的算法较为固定,易出现光谱或空间畸变。近年来,随着机器学习方法逐渐兴起,以卷积神经网络为代表,展现出强大的复杂数据处理能力和特征提取的潜力,为遥感图像分辨率重建领域提供了新的思路。本文以吉林一号光谱卫星影像数据为例,从光谱和空间分量角度出发,提出了多特征融合的双通道网络,在光谱通道中加入残差结构以保持原始图像的光谱特性,在空间通道中加入了多尺寸卷积核提取不同尺度的特征信息,并将空间通道中的多个层次特征进行融合,以提取全色网络中的高频空间信息,并在最后用通道注意力模块对多种特征的贡献度进行自适应调整,将结果与传统双三次卷积插值和GS方法以及Pan Net经典网络进行对比。为了定量分析全色图像在分辨率重建中的作用,本文用吉林一号光谱卫星影像分别制作了多光谱和多光谱加全色两种数据集,对网络进行训练。从重建结果图像的图像质量和波段独立性两个角度进行定量分析,以评价全色数据对重建图像的影响。结果表明,与传统双三次卷积插值与GS融合方法相比CNN有明显的优势,两种传统方法往往只注重与光谱或空间质量,而CNN方法的优势主要体现在重建过程中平衡空间和光谱的关系,能够同时在两个分量上取得较好的结果,因此有更好的综合质量。与Pan Net网络的重建结果图像相比,本文的重建图像质量在光谱分量的提升幅度约为5%,而在空间分量上的提升幅度约为6%。在两种不同数据集的结果比较中表明,全色图像在分辨率重建过程中不仅在空间分量提供高频信息,也一定程度的补充了重建图像的光谱信息。重建后的图像质量在空间分量上的提升幅度约为20%,在光谱分量上的提升幅度约为6%。在4倍重建中,使用两个数据集训练网络得到的结果基本相同,说明全色数据在重建过程中的作用不大,其原因可能是多光谱数据中的信息和全色信息差异过大时,网络在提取对应高频信息的时候存在困难。在后续的研究中,需要探索其他的网络结构或方法以更高效率的对全色数据中的高频空间信息进行提取。