近年来，遥感作为对地观测的重要手段，被广泛地应用于农业、林业、地质、海洋、气象、水文、军事、环保等诸多领域，在国民经济建设中发挥了重要作用。但随着研究的逐步加深和应用的逐渐扩大，对遥感图像提出了更高层次的需求，主要表现为对大区域高精度高时间重复的数据有着强烈的需求，然而由于卫星遥感物理技术的限制，很难获取一种同时具备高空间分辨率又具备高时间分辨率的卫星数据。　　本文针对大区域高时空遥感数据的强烈需求，重点开展了四项工作的研究:(1)基于传统的多源时空融合方法STARFM的缺陷，提出了一种基于像元时空变化特征的多源遥感数据时空融合模型;(2)针对时空融合大部分方法仅在中低分辨率卫星进行的缺陷，针对所提出的时空融合模型，分析其参数的敏感性，并将其拓展到了CBERS-04星和GF-1卫星上;(3)针对多源时空融合模型的缺陷，提出了一种基于迭代优化的长时间序列时空预测模型;(4)在分析多源时空融合模型和长时间序列预测模型所得结果光谱一致性的基础上，生成了区域高时空遥感数据集。　　(1)分析研究了传统的自适应时空融合模型STARFM的缺陷，基于STARFM预测结果具有斑块效应和对变化异质区域不敏感的问题，在研究前人工作的基础上，提出了一种基于像元时空变化特征的多源时空数据模型(Spatial and Temporal ChangeReflectance Fusion Aproach，STCRFA).该方法基于高低分辨率成像机理，采用混合像元分解的方式，利用时序的高低分辨率数据获得地物的时间变化信息，并在此基础上利用预测时相的低分辨率影像获取地物空间变化的信息，最后结合像元的邻域相似性的特点，融合出预测时相的高空间分辨率影像。本文利用MODIS和Landsat影像对地物变化不明显和地物具有突变的两个实验区进行测试，采用目视评价和定量指标评价的方式，将融合结果与真实影像进行对比，结果表明，STCRFA的方法能够很好的解决STARFM中斑块效应和对变化异质区域不敏感的问题，能够获得具有高精度的高空间分辨率数据，与真实数据的相关性都高于0.83以上。　　(2)基于所提出了STCRFA多源数据时空融合模型，分析了模型对其输入参数的敏感性，结果表明最大分类数对结果的影响不大，而窗口的大小对结果具有一定的影响，通过对比，得出最适宜的窗口应该是高低分辨率分辨率倍数值的三倍。基于上述分析结果，将STCRFA模型应用到CBERS-04星和GF-1卫星数据上，结果表明模型能够很好地应用于更高分辨率的卫星数据，但是在预测融合的过程中，对于变化频繁的区域会出现细节恢复欠缺的问题。　　(3)基于多源时空融合模型中其高低分辨率传感器之间的误差很难消除等问题，本文提出了一种基于迭代优化的长时间序列数据时空融合模型(Iterative OptimizationSimulated Model for Time Series Data，IOSM-TSD)。该方法基于长时间序列的趋势模型，将序列数据看做离散取值，利用趋势模型将离散的数据模拟成为连续的曲线，进而求得时序时间内的任意时刻影像。该方法基于迭代优化的方式，大大减少了传统方法对输入数据的过长的预处理时间，提高了预测的效率。以Landsat5和Landsat7的时序数据为例，进行模拟预测。结果表明所获得的数据具有较高的精度，其余真实值的相关系数可以达到0.93以上。同时该方法能够预测时序时间段内任意时刻影像而不受云影的干扰。　　(4)在基于STCRFA和IOSM-TSD方法的基础上，研究了两种方法在大区域融合预测时光谱一致性的问题，结果表明两种方法的结果在不同图幅融合中能够表现出良好的光谱一致性，能够很好地应用于大区域时空融合数据集的生成。以北京地区为例，利用两种方法分别生成了具有30m、20m和8m分辨率的高时空数据集。