对遥感图像融合算法的研究有着重要的意义。有了这些算法,我们就能融合一个卫星拍摄所得的低空间分辨率的多光谱图像和高空间分辨率的全色图像来生成一个高空间分辨率的多光谱图像,从而有助于目标识别等遥感任务的完成。现在流行的遥感图像融合算法可以大致分为四种:分量替换法,多分辨率分析法,基于变分模型的方法以及基于神经网络的方法。本文的主要工作是,在已知的遥感图像融合算法的基础上提出了一些新的算法。这是依据两条思路来实现的。一方面,受到框架小波正则化技巧和一种利用了再生核希尔伯特空间(RKHS)的变分模型类的遥感图像融合算法的启发,提出了一种新的变分模型。在模型中,我们假设了对所求图像施行框架小波变换后得到的系数是稀疏的,并考虑了已知的多光谱图像和全色图像与所求图像的关系。此模型可用交替方向乘子法(ADMM)高效地求解。为提升算法表现,我们又将一种外迭代策略与模型结合了起来。数值实验表明,该方法在获得许多全色图像中的空间细节的同时很好地保持了原多光谱图像的光谱特性,且其表现超越了一些已知的流行算法。在运行时间方面,它较RKHS方法有较大的优势。另一方面,本文考虑了遥感图像融合中的经典框架(分量替换法和多分辨率分析法的统一框架),将它与一种原本用于图像平滑的基于高斯函数之商(RoG)的滤波方法相结合,提出了另一种新的算法。在算法中,这种滤波方法既被用于从全色图像中提取空间细节,又被用于修正上采样过后的多光谱图像以使其更匹配那些注入的细节。数值实验证实,和同样遵循经典框架的几种流行的遥感图像融合算法相比,此算法能得到很有竞争力的结果。