随着遥感技术的快速发展,高光谱图像在当代社会生产生活中的应用变得越来越为广泛。但由于成像机理以及硬件条件的限制,其空间分辨率通常较低,给后续数据处理等过程造成了很多不便。因此通过不需要硬件参与的信号处理方法即超分辨率复原方法来提高图像分辨率则成为最有意义的改善手段。现有超分辨率复原技术主要利用多幅图像在空间上的信息相关性重建高分辨率信息,而未能充分发挥其光谱维地物信息的作用。本文从高光谱图像的特点和成像原理出发,开展了基于地物类别冗余字典的高光谱图像超分辨率复原算法的研究。充分利用高光谱图像相同地物具有相似光谱曲线的特点,建立一种基于地物类别的冗余字典,将高光谱图像沿光谱维进行稀疏分解,以充分利用其光谱维信息,提高空间分辨率。主要研究内容包括:设计实现了一种基于地物类别的高光谱图像冗余字典训练和稀疏分解算法,实现了基于K均值的地物聚类算法,能够有效的对图像数据按地物做出划分,聚类效果显著并具有良好的适应性与高效性;基于聚类结果实现了一种高光谱图像地物类别冗余字典训练算法。该方法通过对不同地物光谱数据堆的分类处理,有效的将地物特征引入到建立字典库的过程中,从而降低了稀疏表示过程中其余地物字典元素的消极影响。在较少的数据量,保证稀疏性的前提下,提高了使用该字典稀疏表示图像的准确性,为高光谱图像的超分辨率复原奠定基础。研究并实现了一种基于地物类别冗余字典的高光谱图像的超分辨率复原算法。基于高光谱图像地物信息,根据高分辨率像元与其对应低分辨率像元间的稀疏系数相关性,通过训练数据获得每一类地物的高低分辨率冗余字典对。由高低分辨率约束关系,使用相应地物类别高分辨率字典重建图像像元,再由像元空间维关系组合复原得到高分辨率图像。该方法提高了算法对每一类地物的针对性,使其在光谱特征保持上优于传统算法,有利于其结果在地质分析等领域的使用。设计并实现了一种基于最小二乘支持向量机(LS-SVM)的高光谱图像超分辨率复原算法。在基于高低分辨率冗余字典对的超分辨率复原理论基础上,使用LS-SVM改进地物分类方法,避开了光谱图像高维空间的复杂性,在小样本情况下能够取得较好的分类效果,使光谱分类冗余字典元素更加贴合典型地物光谱特征。实验结果显示该算法在超分辨率复原过程中有效地降低了高光谱图像信号稀疏表示的数据损失,在保障图像复原质量的前提下进一步提高了图像的分辨率。