随着空间信息科学的不断发展和计算机处理水平的提高，空间遥感已从单一的科学实验发展成多源、多通道、多极化、多项空间计划、多年连续的对地观测的科学技术。不同的遥感器对地球表面同一区域、同一事件的观测为人们提供了丰富多样的遥感图像数据，这些海量数据之间存在着一致性和互补性，但也同时存在着冗余性。如何充分利用这些数据资源，从中挖掘出人们所需要的信息，是长期以来困扰遥感工作者的科学难题之一。 多源遥感图像数据融合通过将同一地区不同的遥感图像数据所包含的信息优势或互补性采用一定的算法有机地结合起来，可以最大限度地利用各种数据源，以提供更丰富更准确的信息，已经越来越多地受到国内外研究者的关注。但目前发展比较成熟的融合算法都是针对光学遥感图像之间的融合提出的，而新兴的方法尚处在探索阶段，对雷达遥感图像之间以及雷达与光学遥感图像之间的融合算法研究的相对较少；另外，多源遥感数据融合的应用大多集中在以自然地物为主的地表，而在以人工地物为主的地表，如城市区域，多源遥感数据融合的应用虽然必要，但开展的研究相对较少。 针对目前多源遥感数据融合方法和应用研究的现状和存在的问题，本文以城市区域地物信息的识别和提取为应用背景，结合不同雷达遥感数据和光学遥感数据的特点，采用不同的融合方法进行多源遥感数据的融合处理，得到较为理想的融合和应用结果。主要研究内容和成果如下： (1)结合雷达遥感图像乘性相干斑噪声发育的特性，提出以图像的条件信息为融合特征的拉普拉斯金字塔形变换区域式融合方法，并将其应用于不同极化方式的雷达遥感图像之间的融合，得到比基于图像的其它区域特征所得融合图像质量高的融合结果。利用基于广义高斯分布的Kittler-Illingworth算法进行融合图像中复杂城区强、弱散射地物信息的自动提取，提取结果进一步验证了该方法对不同极化方式的雷达遥感图像进行融合处理的有效性和可行性。 (2)提出BP-ANN／GA混合算法，对复杂城区红外和雷达遥感图像的主成分分析融合图像进行分类。充分利用后向传播人工神经网络(Back Propagation Artificial Neural Network，BP-ANN)的自学习、自组织的能力和遗传算法(Genetic Algorithm，GA)的全局优化优势，克服BP-ANN收敛速度慢、容易陷入局部最小的不足，将红外遥感图像的多光谱信息与雷达遥感图像反映人工地物的特点有机地结合在一起，对城市复杂地表的分类速度和分类精度同时得到提高，尤其体现在建筑物和道路分类精度的提高上。(3)根据雷达遥感图像中相干斑噪声充分发育以及其中的道路和线性水体几何特征和散射特征相似的特点，将雷达遥感图像的边缘检测和红外-雷达遥感图像BP-ANN／GA融合分类的结果进行“逻辑与”融合，消减了其中非道路信息的干扰，通过对所提取的道路段进一步的连接和延拓，实现雷达遥感图像中复杂城区主干道路段的自动提取。 (4)提出融合多光谱和雷达遥感图像不同图像特征的水平集快速行进算法，克服传统快速行进算法依赖于图像梯度特征的不足。将其用于多光谱遥感图像与不同空间分辨率、不同极化方式的雷达遥感图像之间的融合，成功地进行了其中城区道路的半自动提取。 (5)提出综合考虑证据理论中证据本身的确信度和证据对辨别框架中子集的平均支持度两个方面进行证据间冲突分配的方法，弥补了传统证据理论证据合成过程中无视证据本身的特性，平均分配证据冲突的不足。将其应用于城市区域不同时相雷达遥感图像的融合，实现了城区地表变化的自动检测。