遥感已被广泛地应用于土地覆盖分类、环境监测、军事防御等领域中。单一传感器信息既有一定的局限性,又存在着极具潜力的互补性。融合算法可以实现多源遥感图像的互补信息提取,但是,会遭遇目标信息不显著和噪声鲁棒性低等问题。本文以解决融合算法的稳定性问题、提高融合图像的质量为目标,深入研究基于GramSchmidt变换和全变分方法的像素级、特征级融合技术。本文主要完成工作如下:首先,针对传统像素级图像融合方法中的光谱信息丢失和引入噪声问题,本文研究了一种基于加权中值滤波和Gram-Schmidt变换的遥感图像融合方法。该方法首先分别对多光谱图像和合成孔径雷达图像进行预处理,实现两种图像的配准与校正。其次,将加权中值滤波应用于多光谱图像中,使用局部窗口内相邻像素的加权中值替换图像中的像素,实现图像的有效过滤,同时不会强烈模糊图像边缘。然后,使用GramSchmidt变换对图像进行融合,有效利用不同图像的光谱信息。最后,采用标准差、平均梯度、空间频率、峰值信噪比和相关系数这五种统计参数验证图像质量,并通过随机森林对融合前后的图像进行分类,使用总体分类精度和Kappa系数等定量指标评估不同融合算法的分类性能。实验结果表明,所提方法在增强图像视觉效果、扩展图像解译性能等方面有着显著作用。其次,针对传统特征级图像融合方法中的特征冗余问题,本文提出了一种基于相对全变分的遥感图像融合方法。该方法首先采用扩展多属性剖面特征、Gabor滤波器、局部二值模式多种方法提取输入数据的空间特征。其次,应用相对全变分模型融合不同图像的多维特征,并增加正则化约束项,捕获有意义的结构数据,删除图像中的冗余纹理数据。然后,使用非参数加权特征提取方法降低融合数据的维度,避免维数灾难。应用随机森林和卷积神经网络对融合前后的图像进行分类,从而用于验证所提方法的性能。两个公开的高光谱与激光雷达图像上的实验结果表明,所提方法能有效融合高光谱图像和激光雷达图像的特征,显著提高融合图像的分类精度。