遥感是以不同空间、时间和频谱分辨率提供不同电磁频段的数据。为了更充分地利用这些数据资源，数字图像融合技术便应运而生。 目前，研究的热点是多光谱图像和全色图像之间的融合，目的是为了融合出新的图像，它在提高空间分辨率的同时也保持了相当的光谱分辨率。 最流行的遥感图像融合方法包括基于IHS(Intensity-Hue-Saturation)变换和基于PCA(PrincipalComponentAnalysis)变换的方法。这些所谓的“成分替换方法”会导致融合图像中出现光谱失真现象。高通滤波方法(HPF)和高通滤波器的选择密切相关。基于小波变换(WaveletTransformation)的融合方法对于分解层次和小波基的选择比较敏感，并且会因操作人员的不同，而有不同的效果。 目前基于统计参数估计的方法开始被关注。Nishii等提出条件均值估计(CE)，Hardie等提出最大后验概率估计(MAP)，但它们都要求全色图像和多光谱图像高度相关，限制了使用范围。 本论文首先探讨了基于神经网络的图像超分辨率算法在遥感图像融合中的应用。 其次，提出一种基于残差和主成分分析的新方法，从图像残差恢复的角度研究遥感图像融合问题。该方法借助于主成分分析方法对多光谱图像的残差图像和全色图像的残差图像进行融合，恢复出多光谱图像的高分辨率残差图像，从而实现多光谱图像和全色图像的融合，具有物理意义明确、实现结构简单、融合效果好的优点。 另外，提出一种新的基于统计参数估计的遥感图像融合方法。文中引入高分辨率多光谱图像和低分辨率多光谱图像之间的观测模型，以及高分辨率多光谱图像和全色图像之间的观测模型，并将上述两个观测模型联立成一个贝叶斯线性模型。通过高分辨率多光谱图像的协方差估计决定融合图像的幅度，不仅解决传统的基于统计参数估计方法依赖于多光谱图像和全色图像相关系数的问题，而且算法自动设置参数，在不需要人为干预的情况下取得了很好的融合性能。最后，本论文对遥感图像融合在分类中的应用进行了研究。 在上述研究的基础上，完成了一个遥感图像融合的实际系统，比较不同的融合方法在各种类型的遥感数据下的融合性能。