在人类生活中,图像是最重要的信息载体之一。然而在获取图像的过程中易受到外界退化因素以及设备本身的影响,导致获得的图像并不能满足实际需求,因此如何将低分辨率的图像通过一定的算法恢复成相应的高分辨率图像——超分辨率重建技术,一直是研究者们致力于解决的问题。随着人工智能技术的不断发展,超分辨率重建技术在遥感成像、图像压缩、医学成像与公共安防等领域得到了广泛的应用。本文结合深度学习的特点,使用条件生成对抗网络进行超分辨率重建,并将该方法进行了改进并拓展到遥感时空融合技术中,具体工作如下:(1)基于条件生成对抗网络的图像超分辨率重建随着深度学习的发展,近年来生成对抗网络在图像超分辨率技术中已取得了很大进展,但由于传统生成对抗网络不稳定且具有很高的失真度,本文提出了一种基于条件生成对抗网络的图像超分辨率重建算法,设计将高分辨率的真实图像作为条件变量来指导学习更稳定的模型。为了更好地重建具有大比例因子的图像,提出一种增强型的拉普拉斯金字塔网络作为条件生成对抗网络的生成器模型,逐步重建多个金字塔级别的高分辨率图像,并通过连接浅层和深层的特征图来提高网络的泛化能力。除此之外本文也改进了损失函数,通过联合多个损失函数进行优化网络,其中包括对抗损失函数、VGG损失函数和具有鲁棒性的Charbonnier损失函数,并实现高质量的重建结果。(2)基于条件生成对抗网络的遥感影像时空融合考虑到遥感影像时空融合技术也存在着分辨率差距问题,因此将上面的方法应用于时空融合技术中并进行了改进,提出了一种基于条件生成对抗网络的时空融合算法。在生成器网络中,设计了一种不对称拉普拉斯金字塔网络,既能重建大比例因子影像,又解决了模型欠拟合问题,其中网络的内部结构中使用了一种轻量级残差块,以提高网络的计算效率。考虑到不同传感器之间在卫星参数、成像环境以及大气等方面存在着差异,通过学习两个条件生成对抗网络模型来建立它们之间的对应关系。通过实际数据测试,结果表明本文提出的算法可以有效地提高遥感影像时空融合效果。