获取卫星影像时,通常同时获取同一覆盖范围的全色与多光谱影像,通过影像融合技术,利用全色影像丰富的空间和纹理信息增强多光谱影像,最终获得分辨率高且含有光谱信息的融合影像。影像融合是卫星影像处理流程中重要的一环,已经广泛应用于遥感影像目视解译、自动分类、信息提取、特征增强、三维场景显示、正射影像制作、影像测图等。随着卫星影像分辨率的提高和在轨卫星数目的增加,大量的数据处理需求及短时间的响应要求对影像融合这种计算与数据密集型的处理带来了极大的挑战。虽然针对遥感影像融合问题,已经提出了一些融合算法,但仍然存在以下问题：已有融合模型只能描述一至两类融合方法,通用性不强,缺乏可描述更多算法、更一般性的融合模型；高性能计算方法和影像融合结合时通用性不强,缺乏可适用大部分融合算法而且可大幅提升处理性能的影像融合并行计算方法；大部分融合算法不能在光谱保持能力和空间细节增强能力之间进行调节,少数几个具有调节能力的融合算法调节参数多,运算量大,实用性不强,缺乏调节参数少、便于并行计算、融合效果可调节的算法。针对上述问题,本文的主要创新点如下：(1)遥感影像融合通用模型三类融合算法分析与数学推导的基础上,提出了遥感影像像素级融合通用模型,该模型通过一个简单的数学公式清晰地反映了参与融合的多光谱影像、从高分辨率全色影像提取的空间细节信息和采取的融合策略三者之间的运算关系;该模型能描述大多数融合算法,列举了常用融合算法映射成通用模型时两个重要参量的数学表达式。该模型的建立有助于融合算法分析与比较；用于算法实现与执行时,大部分算法基本步骤相同,有利于算法集成和模块复用,针对某些算法能舍弃一些不必要的步骤,减少计算量需求。(2)耦合通用模型的影像融合多核并行计算方法将通用模型与多核计算机结合,提出了适应性广、计算效率高的影像融合并行处理策略,开发了一个集成八个典型融合算法、运行于多核计算机的并行计算框架,并在两台分别安装Windows和Linux操作系统的工作站上进行了并行处理实验。影像融合通用模型和多核计算机有效结合不仅能取得较高的加速比,而且能有效地利用多核计算机的计算资源；采用该并行计算方法,最好情况下完成整个融合流程最短时间接近一个极限,该极限为直接读取源影像,未经过任何计算之后再将数据写入输出影像所用时间之和；在一台具有两个CPU的工作站上进行并行融合处理时,整个融合流程相对串行处理可取得最高13.9倍的加速；融合算法的并行版本最高32.6倍快于商业软件ERDAS IMAGINE中相应算法版本,其融合效果与商业软件没有明显的差别。(3)耦合通用模型的影像融合GPU并行计算方法将通用模型和GPU结合提出了可用于大幅面处理、适应性广的融合并行处理方法,并对CUDA环境中参数进行优化设置,以Nvidia公司新一代Fermi架构GPU为计算平台,对整景影像进行了并行处理实验。该方法加速性能明显,根据整景影像测试结果,采用目前中等级别的GPU加速卡计算性能可提高至107倍；适用性广,可应用于多个影像融合算法。实验结果分析表明,除了GPU卡本身性能外,影响GPU加速性能的主要因素包括单次导入影像的计算规模和主机与GPU之间交换的数据量。(4)融合效果可调节且经过并行优化的分块回归融合算法提出了经过并行优化的分块回归融合算法ParaBR,并分别针对高分辨率光学影像融合和SAR与光学影像融合进行块长优化。分块回归融合算法具有调节能力,可根据需求调节融合效果偏重光谱信息还是偏重空间细节信息,也可通过优化在光谱信息保持与空间细节增强之间取得一个较好的平衡。与五个算法的融合效果进行比较表明,分块回归算法针对高分辨率光学影像融合效果比较稳定；也能很好地应用于SAR与光学影像融合；并行优化后的分块回归融合算法ParaBR读取的数据量仅为改进前算法的三分之一,相比改进前算法具有更好的整体加速性能和更好的并行扩展性,改进后并行算法相比五个融合算法的商业版本或开源版本具有最高的处理性能。以上形成了模型、算法和计算等结合的影像融合创新性成果链条,在遥感影像应急快速处理、地面接收站标准产品批量处理、星／机上影像分析、快速制图与变化检测等数据量大或时间响应短的应用中具有突出的优势。