目前，高光谱遥感数据存在空间分辨率低、幅宽窄等瓶颈问题，限制了高光谱遥感技术的进一步发展。高光谱数据与其他多源数据的融合成为解决这一问题的有效途径之一。然而，当前针对高光谱数据融合的研究仍处于发展阶段，相关融合算法在光谱特征的保持上还存在不足，融合范围一般也限制在了原始高光谱和高空间分辨率图像的重叠区域。因此，本论文从高光谱融合机理研究出发，以不同空间尺度下的光谱混合理论和和不同光谱尺度下的地物特征相关性理论为基础，开展了高光谱数据的空间分辨率提升方法研究，提出了SISU高光谱和多光谱图像融合算法，利用高空间分辨率多光谱图像的空间信息，实现了高光谱图像空间分辨能力的提升。在此基础之上，发展了SREM多光谱数据光谱分辨率增强算法，实现了对整个多光谱图像覆盖范围内高光谱数据的重构，为获得大范围覆盖的高光谱图像提供了技术途径。提出的算法均通过实验进行了验证，并根据高光谱数据融合评价指标对结果进行了评价。最后，本文还分别将SISU和SREM算法应用在了高光谱目标探测和蚀变矿物信息提取中，进一步验证了本文研究内容的实用价值和科学意义。本文所得到的主要结论包括:　　(1)本文提出的SISU高光谱数据融合算法能够利用NMF混合光谱解混算法，将高光谱和多光谱数据的光谱信息进行分解，得到高空间分辨率下的像元地物类别;并能够根据像元所属端元类型，利用光谱特征的线性重构方法，对多光谱数据的所有像元进行高光谱的重构，得到高空间分辨率的高光谱数据，实现利用多光谱数据对高光谱数据的空间分辨率提升。通过SISU算法得到的融合数据，空间信息提升明显，各类地物的光谱特征保持度良好，能够有效解决高光谱数据空间分辨率不足的问题。　　(2)本文提出的SREM算法，能够得到与原始多光谱图像空间分辨率和幅宽一致，与样本高光谱数据光谱分辨率一致的大覆盖高光谱分辨率数据，而且光谱特征保持度良好，为解决高光谱图像幅宽不足的问题提供了有效的技术途径，同时也提升了多光谱图像的利用率。　　(3)本文提出的基于模型参数库的高光谱时空拓展融合模式，能够通过光谱特征转换参数库的构建，有效解决SREM算法中采样样本不足的问题。对缺少重合高光谱图像的多光谱图像区域，可以根据位置或时间特征从参数库中选择模型参数，并通过SREM算法实现不同时间的多光谱图像光谱分辨率的增强。　　(4)文本提出的基于离散点源高光谱数据的空间拓展光谱重构模式是一种从采集方式上解决高光谱图像空间分辨率和幅宽不足问题的很好途径，具有良好的发展前景。模拟数据的实验结果表明，在保持点高光谱数据一定空间采样间隔的条件下，利用SREM算法将其与多光谱图像融合，能够得到空间和光谱信息质量较高的高光谱图像，该方法为今后传感器的设计提供了一定的技术参考。　　(5) SISU高光谱融合算法在高光谱目标探测中能够发挥重要作用。SISU高光谱融合算法能够有效利用低空间分辨率高光谱图像的光谱特征和高空间分辨率多光谱图像的空间特征，得到目标空间纹理清晰、光谱特征明显的高光谱图像。融合后数据对目标的探测精度有着很大的提升作用，证明了高光谱融合在高光谱目标探测上的适用性。　　(6)通过SREM融合算法获得宽覆盖的高光谱数据对高光谱矿物蚀变信息提取具有重要作用。基于SREM算法融合后的数据具有大幅宽、高空间、高光谱分辨率的特点，能够提取出精细矿物类型的蚀变信息，提高了矿物蚀变信息解译能力，对大面积矿物填图具有重要应用价值。