遥感图像作为人类对地观测的重要科技手段之一,是当前学术领域研究热点。遥感图像被广泛应用在众多领域,其中包括农林业,军事,城市规划,自然灾害分析等等。深度学习(DeepLearning)尤其是卷积神经网络(Convolution Neural Network,CNN)最近几年逐渐成为计算机视觉领域的研究热点和主流研究方向,在图像识别分类,图像分割,目标检测,图像理解描述等任务上都取得了巨大成功。随着研究人员对深度学习和遥感图像处理的研究,基于深度学习的方法也在遥感图像分析处理领域也取得了突出的成绩。论文以深度学习技术为基础,对遥感图像的超分辨率重构和融合分类方法进行了研究。由于光学成像机制,成像硬件条件以及大气扰动等因素,遥感图像的空间分辨率受到一定限制。特别是对于高光谱成像来说,很难获得高空间分辨率的图像。高空间分辨率的遥感图像能够更好地记录地物细节信息,得到更精确的数据分析结果。超分辨率重建技术(Super-Resolution,SR)通过信号处理和图像处理的方法将低空间分辨率的图像提升至相对于更高的空间分辨率,对图像进行细节增强,能获得更好的应用效果。高光谱遥感图像(Hyper-Spectral Imagery,HSI)作为遥感图像的一大分支因其丰富的地物光谱信息,而常常被应用在对地物的分析和分类研究任务中。遥感成像中的同物异谱,同谱异物特性,在高光谱图像分类中常常引起误分类。将高光谱数据和其他遥感数据,如雷达数据等,进行融合,能有效提高分类精度。论文主要的研究工作如下:1.分析遥感图像成像原理,在这个基础上构建分辨率降低的退化模型,并以此为依据设计深度卷积神经网络,包括SRDCN,DSRDCN和ESRDCN三种不同的网络模型,实现对低分辨率遥感图像的空间分辨率提升的任务。2.在单一高光谱数据对于不同地物具有相同光谱的分别能力弱的情况下,引入其他数据源的数据,包括激光雷达数据和多光谱数据与高光谱数据进行联合分类。并针对该任务设计双分支网络,同时对多源数据进行特征提取和融合,提升分类精度。