在众多高光谱遥感图像处理技术中,超分辨率技术具有十分重要意义。传统的超分辨率方法先后利用光谱端元提取、光谱解混、以及亚像元定位等解析方法,最终得到高分辨率的高光谱遥感图像。由于解析方法在灵活性和超分辨率重建质量上仍存在一定不足,寻找一个适用性高且重建质量高的超分辨率方法,成为了这一领域新的研究热点。本课题围绕这一研究热点,对基于融合卷积神经网络的高光谱遥感图像的超分辨率方法进行了深入研究。主要内容如下:(1)针对神经网络卷积操作响应特性认知不足的问题,对卷积操作的响应特性进行了理论分析,进而得出了神经网络中卷积层响应随各种参数变化原因。并结合卷积网络实验,对卷积过程的响应特性变化进行了解释。(2)针对现有方法无法充分利用高光谱数据不同频率的空间信息以及现有高质量高光谱遥感图像数据不足的问题,提出了一种基于小波变换的多尺度卷积超分辨率网络。网络对各波段的高光谱遥感图像进行独立处理,利用二维小波变换,得到不同频率的小波系数,并由多尺度卷积分支对不同频率的小波系数进行特征提取,再经子像素卷积和细节重建得到高分辨率小波系数,最终通过小波系数重建得到超分辨率图像。网络在反向传播时,通过计算预测小波系数与真实小波系数的损失值,对网络参数进行优化。实验结果表明,该方法得到的超分辨率图像具有较好的峰值信噪比和结构相似性,实现了充分利用高光谱数据不同频率的空间信息的目标。(3)针对现有方法普遍存在的光谱畸变问题,提出了一种基于小波变换的多尺度卷积超分辨率网络。网络利用三维小波变换,得到不同频率的小波系数,经多尺度三维卷积分支对不同频率的小波系数进行特征提取,再经三维反卷积和细节重建得到高分辨率小波系数,最终通过三维小波重建得到超分辨率高光谱遥感图像。网络在反向传播时,通过计算预测小波系数与真实高光谱遥感图像小波系数的损失值,对网络参数进行优化。实验结果表明,该方法得到的超分辨率图像不仅具有较高的超分辨率质量,而且有效抑制了光谱畸变现象。