高光谱图像是一种高维图像,可以反映真实场景的空间信息和光谱信息。高光谱图像将表征被拍摄对象特定性质的光谱信息和揭示其空间几何关系的空间信息结合在一起,对场景进行了更加多维、细致和可靠的描述。由于图像获取过程中的种种不可控因素,例如传感器的灵敏度、光子效应和校准误差,图像中会不可避免地存在噪声。这些噪声严重影响图像中信息的传达和后续的处理,为其在视觉领域的进一步应用带来负面影响。图像去噪作为视觉领域的预处理步骤,旨在去除图像中的噪声成分,从被观测的噪声图像中恢复真实图像。基于空间非局部自相似性和全局光谱相关性两种先验信息设计合适的正则化项是一种高光谱图像去噪的思路。许多高光谱图像去噪方法从图像中提取具有低秩性的分量后,对其进行低秩约束用于去噪分析。然而,一些方法将具有低秩性的三维张量展开成二维矩阵或一维向量的形式来挖掘图像中的先验信息,破坏了高光谱图像内在结构相关性,使得图像中的先验信息没有得到充分地利用,影响图像恢复的效果。此外,在大多数基于低秩的去噪方法中,构造低秩分量涉及到的图像块匹配操作和在原始高维空间上的矩阵和张量的奇异值分解操作往往会带来较大的计算负担。我们提出一种基于子空间表示和加权低秩张量正则化的方法去除高光谱图像中的混合噪声。子空间表示的引入使得提出的算法具有较低的算法复杂度,简化去噪过程的同时可以去除图像中的部分噪声。具体地说,利用光谱频带之间的相关性,选取合适的正交矩阵,将高光谱图像投影到低维子空间中。为了保留高光谱图像的内在结构相关性,去噪过程基于从简化图像中提取的低秩张量进行,引入加权低秩张量正则化项表征简化图像子空间的先验信息,基于张量Tucker分解中核范数的物理意义构建合理的加权机制。此外,我们设计了一种基于迭代最小化的方法用于求解提出的非凸去噪模型。模拟和真实数据集上的实验表明提出的子空间表示和加权低秩张量正则化方法在定量和定性分析上都取得了较好的去噪效果。