遥感图像Pan-sharpening是一种将高空间分辨率的全色图像和高光谱分辨率的多光谱图像进行融合,在提高多光谱图像空间分辨率的同时保留其光谱信息的遥感图像处理技术。由于观测数据量少于待重建的未知数据量,遥感图像Pansharpening实质上是一个不适定反问题,但是大多数现有的传统Pan-sharpening算法都是以线性的方式进行融合,具有很大局限性。深度学习理论为解决Pansharpening这一不适定反问题提供了很好的解决方案,本文以两种不同的方式利用卷积神经网络强大的非线性拟合能力,实现全色与多光谱图像的融合,本文主要从以下几个方面进行研究:(1).研究了端到端的卷积神经网络在Pan-sharpening中的应用,除了将常见的光谱保真与空间增强作为主要研究对象外,还将模型泛化性和实时性作为模型设计的参考对象,以确保本文提出的融合模型具有较好的综合效果。本模型在设计网络结构时,根据对比实验结果提出扩张多尺度模块,并确定其中的超参数,以提高浅层网络的融合性能,减小由浅层网络对融合效果造成的影响。通过选用不同型号的卫星数据对该模型进行测试,验证模型的泛化性能。(2).研究了梯度域内空间增强对Pan-sharpening的影响,提出一种由梯度域空间保真项构成的基础优化模型用于融合,并通过交替方向乘子的优化方法进行求解。(3).研究并首次将深度学习与模型优化结合用于Pan-sharpening具体任务。以上述优化模型作为基础,并提出深度梯度先验用以替换基础模型中的梯度域内的光谱保真项,使得融合模型具备非线性特征提取能力。由于神经网络在梯度域内训练得到,可以避免由像素域训练引起的过拟合问题,因此可以选用更深的网络结构提高融合结果而不会影响泛化性。