伴随着现代遥感科学技术的不断完善与发展,卫星所获取的影像数据的空间、时间和光谱分辨率也在不断提高,为我国农业、水域等领域提供了数据支撑。然而,目前单一卫星传感器获取的影像数据无法同时兼顾高空间分辨率和高时间分辨率。因此,国内外学者提出了许多遥感图像时空融合方法,来生成同时具有高空间分辨率与高时间分辨率的遥感图像。本文基于深度学习的理论,对遥感图像时空融合问题进行研究,内容如下:（1）本文中将现有的时空融合方法按照其不同的原理进行分类,并从中选择11种算法使用CIA和LGC两种数据集在相同的条件下进行时空融合算法比较与分析。融合结果的定量评价表明,组合性方法融合结果具有较少的光谱损失和较多的空间细节,且近红外波段比红绿蓝波段具有更少的相对辐射误差;视觉评价结果表明,在研究区域发生较大变化时,算法所能重建出的效果有限,与参考图像相比仍然有很大差距。（2）目前已经提出了使用卷积神经网络进行时空融合的方法,但是网络浅而融合性能有限。针对应用性最广的单对图像时空融合,本文使用深层神经网络建立了一种新的时空融合方法,基本网络框架由两个4倍上采样器级联以近似Landsat和MODIS之间的空间差异和传感器差异,并将重建结果进行残差修正,使得该结果更接近真实图像。本文方法在不同的Landsat和MODIS卫星图像上进行了测试,并与多个时空融合算法进行了比较。实验结果表明,与已有的单对图像时空融合算法相比,该方法在定量评价与视觉评价上表现的效果更好。（3）目前的时空融合算法研究来自多源遥感卫星获取的数据,而忽略了对同一卫星传感器获取的影像数据进行研究。为此,本文以高分一号卫星获取的影像数据为例,首先使用迁移学习的策略对宽画幅图像进行上采样,然后将上采样结果与具有高空间分辨率的全色波段数据进行融合,生成具有高时空分辨率的多光谱影像数据。实验结果表明本文所提出融合方法的可行性。