遥感对地观测为人类观测地球打开新的大门,已经成为最可靠、最有效、最安全的观测手段。高光谱图像能够记录遥感场景的一系列辐射光谱,是一个三维立方体数据。这种对地观测的方式在很多遥感领域起到重要作用。然而,现有的高光谱图像地物识别与分类算法远不能满足高光谱传感器技术的快速发展与需求。首先,高光谱图像不可避免地受到噪声干扰。其次,高光谱图像的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。最后,高光谱图像波段数多、数据量庞大等特点给高光谱图像的识别分类带来了很大的困难。因此,如何从高维的高光谱影像中挖掘出低冗余高辨识的有效信息,提高影像的空间质量和分辨率,是高光谱数据智能分析研究的关键。本论文从高光谱影像出发,研究在噪声干扰和空间分辨率受限情况下,高光谱图像质量改善问题。针对高光谱图像存在的高度冗余,研究高光谱影像高维光谱信息的维度约减,实现高光谱影像的有效表达。主要贡献内容如下:(1)针对高光谱图像普遍存在的噪声干扰,提出基于空谱核约束的高光谱降噪方法。充分利用高光谱图像存在的大量空谱冗余信息,进而有效地估计出无噪干扰的高光谱图像。(2)针对高光谱图像的空间分辨率受限,提出基于迁移学习的高光谱图像超分辨率方法。提出一种新的框架增强高光谱图像的空间分辨率,充分利用自然图像学习低分辨率图像到高分辨率图像的映射关系,并迁移到高光谱图像。(3)针对高光谱图像中光谱维度过高的问题,提出基于多图行列式点过程的高光谱波段选择方法。利用多图模型来捕获不同波段之间的复杂关系,并有效搜索到最佳波段子集。该方法可以降低高光谱图像的数据维数,而且比较完整地保留有用的信息。(4)针对原始高光谱图像存在的大量冗余信息,提出基于空谱信息保持的高光谱降维方法。提出一种全新的降维方式,将波段选择引入到高光谱维数约减中,在选择波段上进行维数约减。该方法可以有效降低原始光谱维度,提高光谱数据的表达能力。