Throughout the years of space exploration, the usage of Earth observation satellites has increased tremendously. The usage today extends beyond optical sensors, encompassing radars, infrared, and laser sensors. For this thesis, the usage of optical, synthetic aperture radar, and LiDAR sensors were looked at to see if the fusion of these different sensors could enhance the overall image quality. A crucial aspect of satellite image fusion, regardless of sensor type, is preprocessing to ensure the individual images can be seamlessly merged. Ultimately these preprocessing steps are individual to both the sensors and even different satellites. The topic of remote sensing and satellite image fusion is extensive and complex. Therefore, this thesis aims to explore various fusion techniques, data sources, and algorithms to contribute to a deeper understanding of the advantages but mostly challenges associated with multisensor satellite image fusion. A web scraper was developed to collect data from the European Space Agency’s Third Party Mission website, a central repository for satellite missions and Earth images. The scraper made it possible to select different satellites and find the image areas which they had in common. A way to process this data is then presented on how to process the images and finally fuse them. The three fusion algorithms that were used were a simple weighted average, intensity hue saturation, and the pansharpening method. The pansharpening increased both the spatial and spectral resolution whereas the fusion of the optical and synthetic aperture radar gave some mixed results. There are a lot of things that could be explored in the future, such as utilizing more complex fusion algorithms or using additional satellite sensors. However, the web scraper and the processing flowchart stand as notable achievements of this thesis, simplifying the entire process of multisensor satellite image fusion. / Genom åren har användningen av jordobservationsatelliter ökat avsevärt inom rymdforskning. Användningen sträcker sig idag bortom optiska sensorer och inkluderar även radar-, infraröd- och lasersensorer. I detta examensarbete undersöks användningen av optiska, syntetisk aperturradar- och LiDARsensorer för att se om fusionen av dessa olika sensorer kan förbättra helhetsbilden av ett område. En avgörande aspekt av satellitbildsfusion, oavsett sensortyp, är förbehandling för att säkerställa att de individuella bilderna kan smidigt integreras. Slutligen är dessa förbehandlingsteg specifika för både sensorerna och olika satelliter. Ämnet fjärranalys och fusion av satellitbilder är omfattande och komplext. Därför syftar detta examensarbete till att utforska olika fusionsmetoder, datakällor och algoritmer för att bidra till en djupare förståelse för fördelarna och utmaningarna med multisensor fusion av satellitbilder. Ett av huvudproblemen under examensarbetet var datainsamling och databehandling. För att överkomma detta utvecklades en webbskrapare för att samla in data från European Space Agencys Third Party Mission hemsida, en central databas för satellituppdrag och bilder av jorden. Skrapan möjliggjorde valet av olika satelliter och identifieringen av gemensamma bildområden. En metod för databehandling presenteras sedan för att bearbeta bilderna och slutligen förena dem. De tre fusionsalgoritmerna som användes var en enkel viktad medelvärdesmetod, intensitetssättning och pansharpening. Pansharpening ökade både den spatiala och spektrala upplösningen, medan fusionen av optiska och syntetisk aperturradar gav blandade resultat. Det finns många områden som kan utforskas i framtiden, såsom användning av mer komplexa fusionsalgoritmer eller ytterligare satellitsensorer. Sammanfattande kan webbskrapan och behandlingsflödet ses som betydande framsteg i detta examensarbete och förhoppningsvis förenkla hela processen med multisensor fusion av satellitbilder.