影像融合可集成多源影像各自的优势，能获得比单一信息源更精确、更完全、更可靠的估计和判断。然而，一些传统的融合方法已很难满足高分辨率影像的更高解译精度要求，常出现光谱畸变，空间细节信息融入度不高，融合过程繁琐等问题。 Curvelet作为近年新出现的融合算法，含有尺度、位置和方向参数，利于通过多尺度分析，局部定位、多方向检测等属性描述物体的边缘等高维几何信息。本文在影像融合理论介绍及实验分析的基础上，验证了Curvelet变换用于IKONOS影像融合时的优越性，并提出了改进的基于Curvelet变换的融合新算法，最后将Curvelet变换融合用于目标检测和地物分类处理。主要研究内容及结论如下： (1)介绍影像融合基础理论。包括传统的和改进的HIS变换、小波和Curvelet的理论基础，并通过理论研究与实验分析阐述了Curvelet的曲线特征逼近性能；着重介绍了基于Curvdet变换的融合模型、融合规则和基于结构相似度的定量评价准则。 (2)验证Curvelet变换融合方法的优越性。目视与定量评价结果表明：通过选择合适的融合规则和分解层数，Curvelet变换融合结果能在保持光谱信息的同时，还可以很好的融入高分辨率影像中的细节信息，整体质量较优。 (3)结合Curvelct和改进的HIS变换各自的优点，提出一种新的融合方法。新方法将全色分量与多光谱影像中未参与HIS变换的红色波段进行组合形成新全色分量，新全色分量常与明度分量有较高的相关性，因而经Curvelet变换融合后可降低融合影像的光谱扭曲度。融合结果显示：改进的新融合方法能有效增加融合影像的信息量、提高清晰度，还能最大程度上保持融合影像的光谱信息。 (4)将Curvelet变换融合用于影像的目标检测与地物分类。实验显示：对融合后红外图像中水体的分割，能降低水体上方桥梁目标检测的复杂度，提高检测精度；运用同样的分类步骤分别对原多光谱影像、基于HIS变换的融合结果和基于Curvelet变换的融合结果进行分类，总体精度依次为77.27％，71.05％和83.64％，且Curvelet变换融合图像中提取的水体、道路等地物的边缘比较平滑，适合于生成专题图。