高光谱图像携带大量的空间和光谱信息,为人们研究地表物体的特性、进行地物识别创造了条件,使其在多个领域受到广泛的应用和关注。然而,高光谱遥感数据在获取过程中受到各种因素的影响,存在着各种不同程度的退化,进而影响后续的处理与应用。给人们在图像处理、信息分析、分类和检测等方面提出了严峻的挑战,因此,高光谱图像的复原是数字图像处理的一个重要的内容,对于提升图像质量有重要的意义。本论文在总结高光谱复原问题现状的基础上,通过对高光谱图像自身特性的深入分析,挖掘高光谱图像的空间稀疏与光谱低秩先验知识,研究了空间稀疏与光谱低秩联合正则化建模,并设计了相应的高效算法。论文的主要工作和研究成果如下:1.阐明了高光谱图像处理和分析的发展现状及亟需解决的若干问题,归纳了现有高光谱图像复原的理论和方法,详细分析了基于空间稀疏和张量低秩等模型在高光谱图像处理和分析中的应用潜力和存在问题,如:LRTV复原模型、基于克罗内克基的张量复原模型。2.针对高光谱复原问题,提出了一种基于张量截断核范数的低秩约束和空谱全变差正则化的方法来实现高光谱遥感图像超分辨复原。首先分析高光谱遥感数据的两种低秩先验:光谱低秩先验和空间稀疏先验;然后基于光谱低秩先验来建立基于张量截断核范数的低秩约束模型,实现了对秩函数更精确的近似;再基于空间稀疏先验建立全变差正则化模型,有效的保持图像清晰锐利的边缘和图像细节信息;最后结合两种模型各自的优势,建立基于张量截断核范数的低秩约束的全变差正则化模型。利用多组高光谱图像和多种相关的高光谱超分辨率重构方法进行对比仿真实验,结果表明新模型的结果改善了视觉质量。与目前最新的超分辨率重构模型相比,本文提出方法的平均蜂值信噪比有所提高。新模型充分利用高光谱遥感数据的空间和光谱低秩先验,对于被模糊和下采样后的高光谱遥感图像,能够有效实现高光谱图像的超分辨率复原。