图像融合技术是将多个图像传感器对同一场景成像的多幅图像互补信息进行融合得到一幅新图像。该新图像信息更加全面,可信度更高,更适合后续图像处理分析。随着传感器技术的发展,图像融合技术已广泛应用于军事、遥感、医学等领域。但受图像传感器及信息传输系统限制,获得的源图像分辨率较低。在此情况下,仅仅依靠融合技术,难以得到满意的融合效果。因此,结合卷积神经网络图像超分辨率最新进展,研究能有效提升融合图像质量的融合方法具有重要理论指导意义和实用价值。本文的主要工作包括:1、提出基于卷积神经网络超分辨率处理的遥感图像融合算法,将卷积神经网络用于遥感图像处理。利用超分辨率卷积神经网络对低分辨率的多光谱图像进行特征提取,挖掘多光谱图像出潜在的细节信息,使之能够充分利用本身的空间细节信息去增强其分辨率;然后再通过施密特正交变换对全色图像和分辨率增强的多光谱图像进行融合,使融合后的遥感图像更准确可靠。2、在Windows环境下成功搭建深度学习Caffe框架,在此框架下,训练了一个基于卷积神经网络的频域超分辨率处理模型。该模型以低分辨率高频分量作为输入,在输出端可获得高分辨率的高频分量。网络在低分辨率高频分量与高分辨率高频分量之间建立了端对端映射,充分体现了图像的多分辨率特性。3、在训练好的频域超分辨率模型的基础上,提出了基于多尺度卷积神经网络的图像融合算法。该算法可将超分辨率处理与图像融合有机结合起来。大致过程如下,首先将源图像均进行非抽样小波变换得到高频细节分量与低频亮度分量;再把高频分量通过频域超分辨率模型进行超分辨率处理,实现细节信息增强;然后对分辨率增强的高频分量和低频分量采用不同的规则进行融合;最终对融合后的高低频分量进行非抽样小波逆变换,获得高分辨率的融合图像。