近年来,随着遥感应用的不断深入,高光谱图像研究已经成为遥感领域研究热点之一。与其他传统成像技术相比,高光谱图像具有更多的光谱信息和更高的光谱分辨率,因此,在农业、军事、环境监测和食品工业中有着广泛的应用。然而,由于成像系统和环境等各种限制因素（传感器敏感度、光子效应、光线条件、校对误差等）的影响,成像传感器获取的高光谱图像不可避免地会受到各种噪声的破坏,例如高斯噪声、脉冲噪声、死线、条纹等。这些噪声不仅大大降低高光谱图像的视觉效果,而且在分类、矿物勘探和目标检测等方面的后续应用中也造成不良影响。因此,高光谱去噪是改善高光谱图像应用性能的关键问题。本文首先梳理和介绍了近年来几类高光谱图像去噪算法,包括基于自然图像的传统去噪算法、基于低秩先验的去噪算法、基于全变分模型的去噪算法、基于低秩模型与全变分模型相结合的去噪算法以及基于l0-梯度模型的去噪算法。接着总结了各类方法的原理、优缺点以及高光谱图像去噪领域目前面临的问题。针对这些去噪难题,本文在现有去噪技术的基础上,提出了基于空间光谱梯度域稀疏性与全变分模型相结合的高光谱图像去噪模型。主要研究内容如下:1.目前基于l1-范数的全变分（l1-SSTV）去噪模型,主要是通过l1-范数约束高光谱图像梯度域的稀疏性来完成去噪任务。然而,由于l1-范数自身的局限性,导致在去噪过程中空间和光谱域中高振幅梯度往往会被低估,使得恢复图像中往往会伴随着伪影的产生,去噪效果并不佳。本文受到各向同性全变分、各向异性全变分加权差模型中l1-2-度量在自然图像中应用的启发,将/1-2-度量同时用于约束高光谱图像在空间方向与光谱方向的稀疏性,建立空间光谱全变分加权差（l1-2-SSTV）模型,并通过对比实验说明l1-2-SSTV正则化模型相比于传统的l1-SSTV模型,对高光谱图像梯度域稀疏性具有更强的约束,有效减少了去噪过程中产生的伪影。2.本文在应用l1-2-SSTV正则化模型的基础上,将l0-梯度投影模型加入去噪框架,形成了l0-梯度投影全变分加权差（l0-l1-2-SSTV）去噪算法。在去噪过程中,一方面,l1-2-SSTV正则化模型通过捕捉高光谱图像空间和光谱域局部信息,以恢复高分辨成像系统的整体结构;另一方面,l0-梯度模型通过直接控制图像非零梯度的数量,表征全局光谱空间平滑度,用以补充图像细节,如清晰的边缘和重要纹理等。在仿真和真实高光谱图像数据集上的实验结果均表明,l0-梯度投影全变分加权差去噪算法可以产生更优的去噪效果。3.针对我们所提出的空间光谱全变分加权差（l1-2-SSTV）正则化模型在去噪算法中的良好表现,我们在现有的增强型三维全变分（E-3DTV）去噪模型基础上进行了改进,将该去噪框架中基于l1-范数的全变分模型改为l1-2-SSTV模型,形成了全新的增强型三维全变分加权差（E-3Dl1-2TV）去噪算法。仿真实验和真实实验结果均表明,去噪结果相较于E-3DTV算法有了较大的提高,进一步说明了l1-2-SSTV正则化模型在梯度稀疏度的强约束性以及在高光谱图像去噪框架中具有普适性。