随着传感技术的发展,卫星遥感系统具有更加强大的图像采集能力,获取的遥感影像类型多样且空间和光谱分辨率都得到显著提升。如何综合不同来源不同类型的遥感图像的互补优势,增强多源图像协同解译能力,是遥感技术应用中的一个关键问题。本文重点针对全色图像和多光谱图像融合（空谱融合）方法展开研究。考虑实际应用场景中图像的光谱和空间结构的重要性,以遥感图像的成像机理为指导,针对现有方法的不足,利用光谱补偿机制、空间结构增强机制、多层次深度神经网络以及空谱融合变分模型,提出高性能的空谱融合方法,显著提升了融合精度。（1）针对多数基于深度神经网络遥感图像融合方法受制于网络深度的问题,本文提出了多层次密集连接神经网络遥感图像融合方法。首先设计了一种适配空谱融合任务的轻量级密集连接块,基于此连接块构建了多层次的主体网络结构;然后通过多层次的长跳跃连接,加深了网络的深度。实验表明,本文提出的多层次密集连接深度神经网络融合方法,提高了网络的非线性表达能力,增强了空间结构信息,提升了融合图像光谱保真度。（2）针对多数基于深度神经网络遥感图像融合方法未深入利用遥感图像成像机理的问题,本文提出了一种基于生成对抗学习模式并联合结构增强和光谱补偿的遥感图像融合方法。首先,利用一阶前向差分算子在水平和垂直方向分别抽取全色图像空间结构信息并叠加,以获得增强的空间结构特征。然后,两个方向的叠加结构信息在生成对抗学习模式下,分别作为生成器和判别器的输入,并设计了适配增强结构信息的优化目标函数对训练过程进行约束。最后,生成器网络中设计了一种新的光谱补偿结构,旨在卷积过程中加入低分辨率的多光谱图像作为光谱信息的补充。实验表明,联合结构增强和光谱补偿的融合方法可以减少融合图像中光谱和空间结构信息的损失。（3）针对多数基于深度神经网络遥感图像融合方法只使用一个层次的全色图像结构信息,空间结构利用不充分的问题,本文提出了多分辨率结构和多流融合生成对抗网络融合方法。首先,获取全色图像的多种结构信息;其次,为生成器设计了适应多种结构信息输入的多流网络结构;然后,为了弥补生成器网络在强调结构特征学习造成的光谱损失问题,使用长跳跃连接直接将低层次光谱特征传输到高层特征中补偿光谱信息;最后,判别器使用了多种结构信息提升判别能力。实验表明,多分辨率结构和多流融合生成对抗网络融合方法使融合图像具有更丰富的空间结构和光谱信息。（4）针对基于深度神经网络的遥感图像融合方法可解释性差的问题,本文提出一种基于变分模型驱动的深度神经网络遥感图像融合方法。首先,基于遥感图像成像机理,建立融合图像和已知输入图像之间的物理变换关系,根据变换关系并考虑先验知识建立融合过程的变分模型。然后,对变分模型采用近端梯度下降进行求解,将求解步骤进一步展开成为深度神经网络的模块;求解过程对应于深度神经网络的主体结构。最后,通过设计的深度神经网络利用输入数据进行端到端的学习,得到可解释的图像深度融合模型。实验表明,变分模型驱动的深度神经网络融合方法既能克服基于变分法的遥感图像融合可复现差的问题,又能对基于深度神经网络的遥感图像融合网络结构中的模块进行解释。