遥感图像能够快速获取大范围地面信息,在资源环境调查、地物分类、作物种植面积提取等多个领域起到重要作用。在实际应用中,仅靠单一的全色或多光谱图像很难满足需求,需要对遥感图像进行融合。遥感图像融合是将两幅不同图像中的信息结合到一起,生成一幅新的图像的过程。近年来,随着深度学习技术有了突飞猛进的发展,将卷积神经网络应用到遥感图像融合方向成为了当前的研究热点。然而,现有融合方法在融合过程中往往不能同时兼顾遥感图像的光谱信息和空间信息,容易出现光谱和空间结构的失真的问题。针对上述问题,本文围绕遥感图像融合方法研究搭建了两种基于卷积神经网络的融合模型,本文所做的工作如下:1、数据集制作。本文对获取的山东地区2020年10月-2021年12月的19幅高分一号影像、50幅高分二号影像、20幅高分六号影像和4幅高景一号影像进行了辐射定标、正射校正、大气校正和图像配准等预处理,将预处理得到的高景一号多光谱影像和其对应的高分六号影像制作为有参考的数据集,高分一、高分二、高分六影像分别制作成无参考的数据集。2、针对遥感图像融合过程中易出现的光谱和空间结构失真,根据遥感图像特点,采用遥感影像中特有的归一化植被指数和归一化水指数作为先验知识,对全色和多光谱图像的融合过程进行约束,以减少融合过程中的光谱损失;将注意力机制中的挤压激励模块与不同尺度卷积单元相结合,实现保留有用特征信息,剔除无用噪声及冗余信息。在此基础上构建基于知识引导的遥感图像融合方法RSFuse Net（Remote Sensing image Fuse Net）。3、针对在遥感图像融合过程中高分辨率的参考图像难以获得,融合过程中原始的全色和多光谱中的信息利用不充分的问题,设计光谱损失函数计算融合图像和原始多光谱图像之间的损失,设计纹理损失函数计算融合图像和原始全色图像之间的损失,从而达到对融合过程进行约束的作用;同时,采用改进的VGG网络提取全色和多光谱图像的特征,以残差网络和挤压激励结构为基础对特征进行融合,在此基础上构建了自监督的遥感图像融合模型SSRSFuse Net（Self-supervised Remote Sensing image Fuse Net）。该模型能够在不引入额外的参考图像的情况下对全色和多光谱图像进行融合处理,进一步提升原始图像的利用率。实验结果表明SSRSFuse Net模型的QNR（the Quality with No-reference Index）指标值为0.8838、光谱失真指标Dλ值为0.1113、空间失真指标Ds为0.0055,均优于对比模型,表明该方法可以在不引入额外参考图像的情况下实现图像融合,有效提升融合效果,减少因获取参考图像所耗费的人力物力。