卫星传感器受限于自身硬件性能,单一传感器获取的遥感图像数据难以同时具备高空间和高时间分辨率属性,严重制约了遥感图像在对地监测中的应用。遥感图像时空融合技术能够对低空间高时间分辨率遥感图像(低分图像)与高空间低时间分辨率遥感图像(高分图像)进行时空信息融合,进而构造同时具备高空间高时间分辨率的遥感图像数据,这有助于解决传感器的时空矛盾问题。在众多的时空融合模型中,以权重滤波为核心思想的模型被广泛应用于高时间高空间分辨率图像生成中,同时基于权重滤波的时空融合模型针对不同应用目的发展了较多的融合算法。本文开展了针对于权重滤波的时空融合模型研究,首先探析了国内外算法研究现状,进而围绕算法现存问题;针对 ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)算法进行不同时相变化条件下的融合实验,并结合时相差异参数提出了参考时相选取策略;在ESTARFM相似像元选取方面,对其做了改进分析,提出ESTARFM_NL算法,能够保持精度与ESTARFM一致的情况下大幅提升算法运行效率;最终利用改进后的ESTARFM_NL算法应用于Sentinel-2和PROBA-V图像中,进而生成了具有高时间高空间分辨率的NDVI(Normalized Difference Vegetation Index)图像序列。具体研究内容如下:(1)参考时相选取直接影响模型融合精度。本文利用三组不同时相变化条件的参考时刻数据进行融合实验,并对比分析融合结果精度,发现融合结果精度和参考时刻与预测时刻之间的时间间隔相关,并结合两个时刻低分图像之间的相关系数构建了时相差异参数,该参数能够表征参考时刻与预测时刻之间的时相差异,根据实验结果和时相差异参数设计了参考时刻时相选取策略,用于优化算法精度。(2)ESTARFM算法相似像元选取过程中需要人为设定分类数目,为减小人为因素对算法的影响,本文对相似像元选取过程做了改进,并提出ESTARFM_NL算法。与ESATRFM方法作对比分析,ESTARFM_NL能够在保持精度相一致的情况下,算法运算效率提升40%左右,这为处理大区域或长时间序列遥感数据的时空融合提供了一种可行性融合方案。(3)本文依据参考时刻选取策略,开展以Sentinel-2和PROBA-V数据作为数据源的时空融合实验,首先对比了 ESTARFM和ESTARFM_NL融合结果精度和运行效率,发现ESTARFM_NL同样能够保持融合精度与STARFM一致,且算法运行效率较高。因此利用ESTARFM_NL算法生成具有高时间高空间分辨率的NDVI图像产品,并结合该区域的物候变化验证了 NDVI产品的准确性。