近年来,随着计算摄像学的发展,光谱采集系统逐步被运用于地物光谱场景的采集。本文以此为出发点,根据地物光谱场景的特点,提出了光谱图像本质分解(SIID)模型——将光谱场景分解成其本质成分:亮度分量与反射分量。借助于光谱丰富的频谱信息,SIID模型能够解决许多图像本质分解无法解决的问题,例如场景的同色异谱问题。SIID属于Low Level Vision范畴,旨在为地物光谱图像高层次的应用,例如:地物场景分割、材质识别、重光照、纹理替换以及三维重建提供帮助。光谱图像本质问题是极具挑战的,原因不仅在于问题本身的病态性——未知量(反射分量与明暗分量)是已知量(输入像素)的两倍,也在于地物场景本身的复杂性——场景的几何结构、光照条件。为此,本文提出两种求解光谱图像本质分解问题的算法:LRR-SIID与LRS-SIID。两种算法都基于Retinex近似,以减弱问题的病态性。同时,利用了反射分量与亮度分量的先验知识——反射分量和亮度分量可以被一组低秩正交的基底线性表示,来提高分解结果的准确性。在介绍了两种算法之后,本文进一步讨论两种算法各自的优势与特点,从实际运用的角度阐述了两种算法各自适用的范围。实验结果表明,在各自适用范围内,本文提出的两种算法均有令人满意的分解结果。为方便不同的SIID算法间性能的比较,吸引更多的研究人员从事该领域的研究,本文还建立了一个公开的SIID标准库。与其他的光谱数据库不同之处在于,该标准库通过光源极化的方法,将地物场景分解为其标准的亮度分量与反射分量。为方便各种SIID算法之间的定量比较,本文提出了一种误差度量标准。通过该标准,不同的SIID算法可以度量其分解的结果与SIID标准数据库间的误差。本文列举了SIID算法的常见应用——重光照、纹理替换与材质识别。从对比结果中得出,SIID算法能够显著提高地物场景的材质识别率。实验证明,本文提出SIID算法具有极高的实际应用价值。