由于物理条件的制约,一般卫星会提供高分辨率的全色图像和低分辨率的多光谱图像,但现实生活需要高的光谱分辨率与空间分辨率相结合的图像来进行目标识别、检测等任务,融合两种不同性质的Pan-sharpening技术因而不断被学者们钻研。以往的Pan-sharpening方法可以归纳为基于模型驱动的方法和基于数据驱动的方法:基于模型驱动的方法像CS方法、MRA方法、变分法等依据人为的经验与观察设定数据的函数关系,忽略了对数据本身内在规律的挖掘;而基于数据驱动的方法像字典学习、神经网络等没有采用显式的模型约束条件,而是通过对数据的训练获得拟合的函数,但泛化能力较差难以推广到未见过的数据上,它能因监督信息的充分利用而成功也可以因监督内容的不准确而失败。本文在贝叶斯框架的下通过最大后验估计完成Pan-sharpening的任务,该方法将似然函数与先验知识互为补充,从而在适应变化特征的同时避免了噪声的影响。针对似然函数,它是从变化多端的数据中找到普遍规律的描述子,在Pan-sharpening 任务里具体是由光谱保真项与结构提升项组成,其中光谱保真项是高分辨率多光谱图像经过非线性下采样算子后保证与低分辨率的多光谱图像的一致性得到;鉴于全局的结构假设带来的结构失真较大问题,结构提升项利用局部的线性回归模型建立高分辨率多光谱图像与全色图像之间的关系;针对先验知识,应该尽力抓住图像间乃至图像块间的细微变化,尽管超拉普拉斯先验可以很好地反映出一幅图像梯度的重尾统计特性,但每一局部区域结构的性质差异使得广义的高斯函数建模更为合适。但先验需要从真实的高分辨率多光谱图像库中学习,在实际没有的情况下本文提出基于已有的似然结果捕获边缘先验,并借助条件随机场的转换得到纹理先验,这样自我监督地推导出先验分布。大量的实验证明本文提出的算法表现优异且比深度学习方法具有更好的泛化性能。