高光谱图像包含大量的谱段信息,在识别研究对象的物理特性时,远远优于RGB图像数据,因此,高光谱图像在计算机视觉领域中有许多成功的应用,例如物体识别与跟踪等。然而,由于各种硬件和效率上的限制,很难直接获取在空间和光谱域均具有高分辨率的图像,目前常见的解决方案是通过算法手段融合一组分别在空间域和光谱域具有高分辨率的图像来得到。现存的方法主要分为两种:基于模型的超分辨率方法和基于深度学习的超分辨率方法,基于模型的方法往往效果有限且时间复杂度较高;基于深度学习的方法可以获得高质量的结果,但是没有充分结合领域知识,所以仍存在提升空间。除此之外,为了简化问题,目前的很多研究工作利用假设的退化算子,模拟真实图像的退化过程,并生成训练数据,但实际场景中的退化算子往往是复杂且未知的,因此这些方法通常会面临训练数据与真实数据分布不一致的问题,从而出现性能显著下降,因此研究盲超分辨率问题具有重要的意义。针对以上问题,本文提出了一种基于模型引导的深度网络高光谱图像超分辨率法同时利用领域知识和深度图像先验,使最终的超分辨率性能得到了一定的提升,在此基础上对盲超分辨率任务进行了研究。本文的工作和创新点主要有以下两点:1.基于模型的超分辨率方法包含丰富的领域知识,如线性观测模型和高光谱图像先验,然而它们在求解的过程中需要人工设计图像先验并通过迭代求解目标函数,时间复杂度较高;基于深度学习的方法通过利用数据驱动的手段,捕捉不同谱段图像之间的相关性,效率较高且超分辨率性能也比较好,但是却没有充分利用高光谱图像的领域知识。因此,本文提出了一种将基于迭代优化的超分辨率方法展开为基于深度神经网络的超分辨率方法,克服了基于模型的高光谱图像超分辨率方法需要人工设计先验的缺陷,利用神经网络强大的表达能力来表达图像先验。通过实验证明了本文所提出的方法在CAVE数据集和Harvard数据集上优于现有的其他方法。2.在超分辨率问题中,一般假设观测模型中的退化算子是已知的,然而由于训练和测试数据分布不一致,会引起显著的性能下降。因此,本文提出使用非线性的卷积神经网络隐式建模高光谱图像的退化算子,相比传统的线性模型,本文提出的方法具有更大的模型容量和更好的鲁棒性。在合成未知模糊核数据集和真实光谱数据集上的实验结果,均证明了本文提出的盲超分辨率方法的有效性,并超过了同时期的其他方法。