高分辨率的高光谱图像具有丰富的空间信息和光谱信息,便于目标检测、识别和跟踪,因而被广泛应用于军事侦察、农业生产和灾害预测等领域。然而,受限于物理设备和成像方式,我们无法获取同时在空间和光谱上都具有高分辨率的高光谱图像,这极大地限制了高光谱图像的应用的精度。因此,通过高光谱图像和同一场景下的全色或多光谱图像融合成高空谱分辨率的目标图像成了一个热门的研究课题。模型驱动融合算法具有严谨的物理意义,但其性能依赖于人工先验假设。基于数据驱动的深度神经网络具有强大的特征学习和非线性建模能力,具有更充分和自适应的先验拟合能力。然而,现有的经验主义调参式“黑箱”模式下的网络缺乏数学理论和高光谱空谱融合模型的指导,泛化性差。数据驱动深度神经网络和模型驱动融合算法的优势联合可以实现在数学模型的启发下,指导网络向合理的梯度下降方向对网络参数进行端到端的训练,提高模型的泛化性。受上述分析的启发,本文着力于面向高光谱研究基于数据驱动和模型驱动的空谱融合网络,并提出了两种融合方法,并在多个公开的模拟数据集和真实场景数据集上进行了相关实验。本文主要的研究内容和创新点总结如下:（1）针对上述问题,创新性地将拉普拉斯金字塔技术引入深度学习,构造了一种轻量级的高光谱空谱融合金字塔网络,引入多分辨率分析技术驱动深度学习模型,提出了一种空间细节交叉提取和注入模型,明确了细节提取和细节注入两个子模块在融合模型中的物理意义,实现部分模块的可解释性。在重建的过程中,我们尝试将不同的客观评价指标融合进损失函数,并作了相关的对比实验。（2）为了进一步提高深度学习网络的可解释性,提出了一种基于空谱双支路优化模型驱动的深度学习融合方法。该方法将融合问题转化成空间细节补充和光谱校正两个目标函数并且转化为迭代求解的子问题,然后将它们展开成一个可解释的深度学习网络。经过模型和算法的精心设计,网络中每个模块本身都有其特定的物理含义,它们之间的所有连接都准确对应算法的实现操作符。为了评估所提出算法的有效性,在多个公开的高光谱融合数据集上进行了消融实验和对比实验,结果证明,该算法的融合效果的空谱保真度在对比方法中最优。