高光谱图像(Hyperspectral imagery, HSI)得到了越来越广泛的应用,其谱分辨率很高,但是其像元对应的地物分辨率却是有限的。较低的空间分辨率给数据处理如精准匹配、混合像元分离和目标检测与识别等技术带来了巨大的困难。可以说,空间分辨率已经成为高光谱图像应用效果的主要制约因素。因此,如何提高其空间分辨率受到学术界的高度重视。各界学者都致力于提高空间分辨率的研究,但是至今没有得到很好的解决方法。超分辨率重建技术是指去除或减轻在获取数字图象的过程中发生的图像质量退化,建立相应的数学模型,并沿图像降质的逆过程尽可能恢复退化的本来面目的一种方法,这种方法是利用低分辨率资源图像获取高分辨率图像的不可多得的一种途径,具有很高的研究价值和应用价值。本论文对基于MAP的超分辨率方法进行研究,结合高光谱图像自身的特点,建立高光谱图像成像模型,将超分辨率重建技术应用于高光谱图像中,从而提高高光谱图像的空间分辨率。主要从以下几个方面进行重点研究：首先,介绍了高光谱图像的特点、成像光谱技术的发展以及高光谱图像分辨率提高技术的发展及现状,说明了课题的研究背景和应用价值。其次,分别从超分辨率重建技术的分类、应用、评价指标以及数学基础等几方面进行了扩展,并且着重介绍了其中一种应用于本研究的最大后验概率(MAP)方法等基本理论,为后续研究打下理论基础。接下来,重点提出高光谱图像超分辨率模型。针对高光谱自身特点,结合普通图像的成像方法,总结出适合于高光谱图像的成像模型,并且在建立高光谱图像成像模型时,利用感兴趣类别端元将原始高维数据映射到低维变换空间,大大降低了算法的复杂度和保护感兴趣类别。最后,以最大后验概率(MAP)理论为基础,应用以上的高光谱图像成像模型总结出适合于高光谱图像的超分辨率复原方法。在复原过程中,通过采用局部分析代替全局分析来避免大尺度矩阵操作从而降低超分辨率方法复杂度。最终通过仿真实验结果,各种评价方式以及特殊应用需求——分类,验证方法的有效性和可行性。