SAR(Synthetic Aperture Radar,合成孔径雷达)与可见光遥感图像的融合技术在地物分类、目标检测、变化检测等领域具有广泛的应用价值。但是,其面临着有效数据源不足,特征提取能力弱等挑战。利用基于深度学习、卷积神经网络等技术对大规模遥感图像进行高质量、高性能的融合,对综合利用多源卫星资源,精确探索地物信息具有重要价值。为了充分利用SAR图像的纹理信息和可见光遥感图像的颜色信息,本文开展基于深度卷积生成对抗网络的SAR与可见光遥感图像融合方法研究。针对中等分辨率的SAR与可见光遥感图像融合任务,本文提出SO-GAN(SAR-Optical Generative Adversarial Network)方法。该方法使用一种基于编解码器结构的卷积神经网络作为融合图像的生成器,利用二分类卷积神经网络构成了评估融合图像质量的判别器。为了学习图像的全局特征及细节特征,SO-GAN采用了一种多感受野并行的特征提取结构。此外,对损失函数进行优化,加入了基于HSV(Hue,Saturation,Value)变换后灰度共生矩阵的损失函数,约束图像的纹理特性,使融合图像更能兼具SAR与可见光图像的信息针对高分辨率SAR与可见光遥感图像融合任务,本文提出一种HRSO-GAN(High Resolution SAR-Optical Generative Adversarial Network)方法,该方法基于多尺度特征图金字塔生成器,结合多个判别器,由低至高逐层生成高分辨率图像。利用合理的上采样方式避免重复性纹理的错误特征,并引入了多任务损失函数进一步丰富细节信息。本文利用Sentinel-1A和GF-3卫星获取的SAR图像,以及Sentinel-2和GF-2获取的可见光图像进行了融合处理实验,并采用峰值信噪比等几个客观的图像质量评价指标对融合图像进行色彩质量评估和纹理质量评估。实验结果证明了本文方法的有效性和准确性。