高光谱图像在矿物勘探,环境监测等领域有着广泛的应用,但是在其成像过程中会受到采集,传输等因素的影响,不可避免地引入噪声。再者由于获取图像过程中摄入的能量有限,在空间分辨率和光谱分辨率之间需要权衡,高光谱图像光谱分辨率高,必然导致其空间分辨率较低。这些缺点对于高光谱图像的应用造成了极大的限制。最近,深度学习在自然图像的降噪,去雾等恢复任务中得到了成功的应用。然而,现有的深度网络框架不能够充分地利用三维高光谱数据中的空间谱间相关性,直接将其扩展到三维深度网络会显著增加算法的计算复杂度,另外高光谱图像训练数据的缺乏也是一个不可忽略的问题。其次,直接利用深度卷积网络实现高光谱图像空间超分辨是不现实的,原因主要有网络显存占用量大,现有的网络结构在大倍数超分辨的情况下重构结果下滑明显。为了应对这些挑战,我们对于高光谱图像提出了一种新的基于深度学习的三维卷积降噪网络。并且我们基于高光谱图像的退化过程,提出一种利用高分辨率的同场景RGB图像并融合降噪网络提取的先验特征的高光谱图像超分辨方法。本文的主要工作和创新点有以下三点:1.现有的深度模型没有充分利用高光谱图像的空谱相关性,因此本文提出了一种基于可分解三维卷积策略的多尺度编解码降噪网络。将三维卷积分解为二维空间卷积和一维谱卷积,可以更好地提取空谱特征,大幅度节省网络参数数量,降低计算复杂度。通过实验证明,我们提出的降噪方法在不同类型噪声下,都取得了较好的结果。2.由于公开的高光谱数据集很少,提出的深度降噪网络缺乏足够的训练数据。我们提出了将RGB图像作为辅助训练数据生成高光谱图像的方法。基于迁移学习的思想,利用合成的伪高光谱图像对提出的降噪网络进行预训练,再对真实的高光谱图像进行微调。实验结果表明,基于预训练的网络在大多数情况下都比直接在公开的高光谱数据上训练能获得更丰富的图像细节。3.基于深度网络的方法在大倍数超分辨时效果较差,而基于图像退化模型的方法正则项设计较为复杂,因此我们结合这两种方法,综合考虑高分辨率光谱图像到低分辨率光谱图像的退化过程和同场景的高分辨率RGB图像,构建图像超分辨的数学模型,并利用半二次分裂法将超分模型转换为迭代交替优化的过程,其中正则项由基于可分解三维卷积的降噪网络提取混合先验特征。实验证明该方法在空间细节和谱间信息的保留上都取得了更好的效果。