随着来自地球观测卫星的多传感器,多时间,多分辨率和多光谱影像数据的可用性,影像融合已成为遥感影像评估中的重要工具。由于卫星存储空间、卫星-地面数据传输速度及相同时间间隔内进入传感器能量的限制,大部分卫星不能直接收集高空间分辨率的多光谱影像以满足高空间和高光谱分辨率的要求。通常情况下,多光谱（Multi-Spectral,MS）传感器获得的影像具有高光谱分辨率,全色（Panchromatic,PAN）传感器获得的影像具有高空间分辨率,采用适当的融合算法将两种传感器获得的影像进行组合以产生具有两者最佳特征的影像,对于提高多光谱影像的空间分辨率、提高影像的利用率与可识别性、改善影像视觉效果,增强影像特征等方面具有重要的意义。因此,本文主要是针对全色影像和多光谱影像的融合方法进行研究,本文主要研究内容及成果如下:（1）二维局部均值分解（Bi-dimensional local mean Decomposition,BLMD）是继Wavelet、Contourlet、BEMD之后的又一多尺度分析工具,该方法适用于非线性非平稳信号分析,能够实现信号的多尺度分解,作为一种全新的多尺度分析方法,对二维图像信号的融合提供了新的思路。因此,本文选择最新出现的空域多尺度分解技术BLMD,针对其在全色影像和多光谱影像中的融合应用进行研究。以GF-1、ZY-3中不同区域的影像为数据源进行融合实验,将BLMD方法的融合结果与传统融合方法的结果进行对比分析,并面向分类对该方法进行评价。定性评价结果表明:BLMD方法具有与参考影像较为一致的光谱信息,但保留原始影像空间信息的能力有待提升,融合结果和参考影像之间仍然存在一些差距;定量评价结果表明:BLMD融合方法的光谱保留度和空间信息注入度均优于传统的融合方法,且分类精度较高。该融合方法的可行性进一步扩充了基于多分辨分析的影像融合体系。（2）针对二维局部均值分解融合方法中存在空间信息注入不足的问题,考虑到PAN影像与MS影像的成像机理相同,虽然由于地物对不同波长电磁波的反射率不同导致影像中的光谱信息不同,但空间信息却相同。本文在二维局部分解的基础上引入了最小二乘原理（The Least Squares Theory,LS）的思想,认为多光谱影像与全色影像在BLMD分解后得到的高频分量是对同一目标不同精度的观测,可应用最小二乘方法对其进行最优估计,从而得到可靠性更高、细节更丰富的高频分量,即空间信息。本文选择了ZY-3、GF-2影像中包含建筑物、道路、水体、植被的四块实验区进行了基于最小二乘原理的BLMD融合实验,结果表明:基于最优估计的BLMD融合方法能够更好的集成全色和多光谱影像的空间信息,解决了BLMD方法空间信息注入不足的问题,从而获得更为理想的高空间分辨率多光谱影像。