高分辨率遥感影像在城市规划与监管、农业资源优化、精细目标提取等方面起着非常重要的作用。然而，由于米级和亚米级分辨率遥感影像成本较高、不易大规模获取、质量受传感器缺陷或云覆盖影响等问题，影像在时间或空间上往往覆盖不完整，存在部分数据缺失的问题。因此，遥感影像超分和融合研究可以为高分辨率地学应用提供数据支撑。
超分辨率方法的本质是从图像数据中学习“通用”的先验知识，然后通过使用此先验知识来恢复低分辨率图像缺失的高频细节。然而，现有超分方法的应用范围有限，难以有效地处理存在图像质量差异的大规模遥感影像；且在超分倍数较大时，难以重建精细的空间细节。因此，本文提出了面向真实遥感影像的单景超分方法和基于参考影像的超分融合方法。
在面向真实遥感影像的单景超分辨率方法研究中，本研究提出了一个实用的降质模型，将预先定义的模糊和噪声分布以及从大量真实影像中估计的模糊核，用于生成训练数据，这样极大地扩展了方法的应用场景。为了有效地处理这些不同质量的训练数据，本研究进一步提出了一个模糊核感知超分方法，利用模糊核先验辅助超分过程，以迭代优化的方式求解降质子问题和高频信息恢复子问题，加快模型的收敛并提高模型效果。通过与现有方法的对比和在真实场景上的应用，展示了该方法的先进性和实用性。
虽然，本研究利用了模糊先验来提高超分辨率模型处理不同质量影像的能力，但是在较大的超分倍数下，由于缺少高频细节先验信息，单景超分方法的效果有限。因此，本研究进一步提出了基于参考影像的超分融合方法（RRSGAN），利用已有的高分辨率历史影像来提供高频细节先验信息辅助超分。其中，为了解决低分辨率影像和历史高分辨率影像时间间隔久、存在地物变化、存在成像质量差异、拍摄角度不同、存在配准误差等问题，本研究提出了基于梯度辅助的金字塔级联特征对齐方法和相关性注意力模块，可以有效地迁移相关性强的高频先验信息，同时抑制存在变化的区域中的纹理信息迁移。实验结果证明了提出方法的有效性和鲁棒性。
在未来的研究中，将融合更多源的数据，例如多光谱数据、高程数据、SAR数据等，利用更加丰富的遥感大数据信息来自动、高效地获取高分辨率遥感数据，用于支撑遥感任务下游应用。

超分辨处理,融合,遥感卫星,深度学习