可见光遥感由于其范围广,速度快,成本低,直观,清晰,且易于判读,目前已成为环境、安全、国防监测与管理等实际应用的重要技术手段,而具有高空间分辨率和光谱分辨率的遥感影像是诸多领域应用的现实需求。但由于传感器限制,卫星通常无法捕获同时具有高空间和高光谱分辨率的影像,而采用在同一覆盖区域同时拍摄的高空间分辨率全色（HR PAN）影像和低空间分辨率多光谱（LR MS）影像来替代。因此,运用全色锐化（Pansharpening,PS）技术,即在保留LR MS影像的光谱信息前提下,利用HR PAN影像恢复LR MS影像的空间分辨率以生成高空间分辨率的多光谱（HR MS）影像,具有重要的现实意义。近年来,许多基于深度学习（Deep Learning,DL）的方法被用于全色锐化任务,取得了较好的效果。然而大多数DL方法仍存在以下缺点:（1）现阶段大多数方法在预处理阶段采用双三次插值法对LR MS影像进行上采样,并将上采样后的LR MS影像作为网络的输入,造成网络输入的信息不全。（2）大多方法将深度学习模型看作黑盒问题,平等地对待不同的特性。这导致信息难以有效地在简单堆叠的卷积结构中流动,阻碍了网络的表示能力。（3）基于Wald协议的监督学习策略忽略了不同尺度的映射关系只是相似并不等同的问题,从而造成一些尺度相关的问题。针对上述问题,本文提出了一种基于跨尺度学习策略的超分迭代残差网络（SRIR）来克服这些局限性,主要研究内容如下:（1）针对传统上采样预处理导致的网络输入信息不全的问题,构建了一体化网络。引入了亚像素卷积层（Sub-Pixel Convolutional Layer）构建亚像素卷积网络（SPCNN）,对MS影像进行超分辨率重建（Super-resolution,SR）,从而替代传统上采样的预处理过程,保证网络输入信息的完整性。（2）针对卷积结构简单堆叠的问题,基于迭代结构构建了迭代残差网络（IR-Net）。采用分支残差网络（BR-Net）构建了新的空间信息注入模块和原始的光谱信息注入模块,连续地向IR-Net注入光谱和空间信息,增强信息的流动与传输;采用引导滤波（GF）生成近似HR MS,从而利用整体网络SRIR映射近似HR MS与参考HR MS之间的残差,以加快训练速度、提高映射精度。（3）针对监督学习全色锐化策略造成的尺度效应问题,提出了一种跨尺度学习策略,构建了精细尺度无监督微调损失函数,在两个尺度下进行模型训练。基于无参考质量评价指标（QNR）构建了精细尺度无监督微调损失函数,将在大尺度下进行深度先验后的网络参数,应用到精细尺度下进行无监督训练,即模型微调,以克服尺度效应。研究表明:（1）基于SRIR网络的全色锐化方法在降分辨率尺度下的全色锐化效果最好;（2）尺度效应对网络的影响与网络的深度呈现负相关,即网络越深对尺度效应的鲁棒性越强;（3）跨尺度学习策略可以广泛地提高基于DL的全色锐化方法在全分辨率影像上的表现;（4）本文方法相较于其他方法能在全分辨率尺度下表现出更好的效果。本文的研究方法可以有效获取高质量的融合HR MS影像,其在后续土地覆盖监测、作物分类制图和异常变化检测等应用中具有重要的现实意义。