数据融合是解决高光谱卫星时空分辨率等指标局限性的有效途径。探讨不同方法对GF-5高光谱数据的融合效果，对GF-5高光谱数据的信息挖掘、推广和应用具有重要意义。基于该算法易于使用和易于推广的原则，本文采用了GS（GramSchmidt）葛兰-施密特正交变换融合算法、GSA（GS-Adaptive）自适应GS融合算法、，CNMF（耦合非负矩阵分解）耦合非负矩阵分解融合算法Crisp-w（带小波变换的颜色分辨率改进软件包）基于小波变换，Crisp-b（带巴特沃斯的颜色分辨率改进软件包）基于巴特沃斯滤波器的分辨率增强融合算法和GLP的广义拉普拉斯金字塔融合算法，融合实验是在BJ-2号、GF－2、GF-1号、GF－1C和GF－1D的多光谱数据以及GF-5号的高光谱数据上进行的。通过视觉分析、指标评价（相关系数、一般图像质量指标、光谱角度、全局综合误差）、分类应用和时间成本。结果表明，空间分辨率差异越小，融合效果越好。CRISP－B、crisp-w和GLP可以在提高空间分辨率方面实现良好的平衡以及光谱保真度。GLP在空间重建方面稍好且更稳定，而crisp-b和crisp-w在维持光谱信息方面更稳定且更有效。数据源对融合方法有一定的影响。在光谱特征信息提取和分析等需要高光谱保真度的工作中，GLP更适合于同源数据（如GF－5和GF-1/1C/1D/2）的融合，而crisp-w更适合于多源数据（如GF－5和BJ－2）的融合。CNMF有一定程度的颜色失真，而且运行时间很长。GSA和GS的融合效果最差。其中，GSA在光谱保持能力和空间分辨率改善能力方面比GS更稳定。在小样本高光谱图像分类应用中，crisp-b融合结果分类效果稳定，分类精度高。GSA的融合结果具有丰富的空间细节。虽然光谱失真严重，但它也增加了地物的光谱分离，这仍然适用于准确勾勒建筑物、道路和其他地物的轮廓。本研究为GF5号高光谱数据与国内其他卫星多光谱数据融合方法的选择提供了参考，有助于高高5号高光谱数据的应用和推广。