随着遥感卫星影像越来越广泛的被应用在军事和农业领域,对于图像的空间和光谱分辨率的要求越来越高,由于遥感卫星传感器硬件的限制,单一传感器获取的遥感影像已经不能满足这些要求。因而需要对多种传感器图像进行信息融合,这些影像在光谱或空间结构方面具有一定的互补性,对这些图像中的冗余和互补信息进行融合有助于对图像场景进行更加准确、精细的分析。本文通过多尺度自相似性得到保持光谱信息和丰富边缘信息的上采样图像作为数据保真项;构造加权梯度约束项、轮廓边缘和梯度的超拉普拉斯等提高图像细节的正则项;通过求解目标函数得到融合图像;并提出多尺度融合框架,利用小尺度估算的优势,进行尺度递进最终得到的高分辨率融合图像。本文的工作将从以下几个方面展开:首先,基于变分的融合算法的数据项均让目标图像逼近于传统上采样后的图像,而传统上采样图像在光谱信息和细节信息方面都有很大的失真。针对这一问题,提出基于不同尺度下图像自相似性上采样算法,构建光谱约束项。计算高低尺度下自相似块之间的差异,指导低尺度下图像块的上采样,即保证了光谱信息,也弥补了细节损失。其次,针对融合图像细节增强问题,利用各个通道图像的梯度差异,构造加权梯度约束项,向不同通道中注入适量的细节信息。加权梯度约束项不仅保证了图像的各个通道之间的结构差异,保证融合图像的结构信息与全色图像的结构信息保持一致性。同时利用了 L1/2范数保证了图像梯度的整体分布趋势。最后,基于小尺度估算的优势,本文利用coarse-to-fine策略构造了多尺度融合框架。通过构造尺度金字塔,实现对于初始输入图像的逐层分辨率的提升。这种金字塔的模式由于每层之间的尺度相差较小,因而在层级融合目标函数中迭代所需要估算的数据量相对较小,提高算法精度。另外,本文将在 Pleiades、QuickBird、WordView2 和 WordView3 卫星影像数据集上对本文算法有效性进行验证,并与当下主流的融合算法进行比较,分别从主观视觉和客观定量分析两个方面对融合算法进行评估。实验结果表明,本文的算法结果在主观视觉和客观定量分析两个方面均优于其他算法。