高光谱图像（Hyperspectral Image,HSI）因其包含了丰富的光谱信息在遥感和计算机视觉等领域被广泛应用。受硬件条件的限制,高光谱成像系统往往很难同时达到高空间分辨率和高谱间分辨率。因此,高光谱图像超分辨率作为一种提升空间分辨率的后处理方法具有现实意义。本文的研究集中于基于卷积神经网络的高光谱图像超分辨率方法,并从数据和模型先验两个角度提出了两个改进算法。本文研究工作主要包括以下两个方面:（1）我们首先分析了现有的两类高光谱图像超分辨率算法:基于融合的方法和基于单图的方法。前者可以同时利用低分辨率高光谱图像（LR-HSI）和高分辨率多光谱图像（HR-MSI）两个信息源,但是需要精确配准的高光谱-多光谱图像对作为输入,限制了其应用场景。而后者仅仅需要高光谱图像输入,然而缺乏高分辨率输入限制了其性能,也无法利用现有的成对数据。结合上述两类方法的优点,本文提出了一种基于知识蒸馏的新框架,该框架将HR-MSI作为特权信息（privilege information）,在训练阶段使用知识蒸馏将高分辨率多光谱图像的知识从辅助模型传输到单图高光谱图像超分辨率模型（主模型）,而在测试阶段仅仅使用低分辨率高光谱图像作为输入。光谱超分辨率模型被用作辅助模型;为了解决3D CNN主模型和2D CNN辅助模型之间的异构蒸馏问题,我们设计了一种双分支的3D/2D混合结构,称为面向蒸馏的双分支单图高光谱超分辨率网络（DODN）。DODN添加了一个额外的2D分支用于知识蒸馏,将3D模型与2D模型之间的异构蒸馏问题转化为模型内的特征融合问题。实验表明,DODN在主观和客观效果上都超过了现有的单图高光谱图像超分辨率方法;消融分析也证明了知识蒸馏的有效性。（2）我们在上述研究内容的基础上进一步研究单图高光谱图像超分辨率的模型先验。由于高光谱图像的多谱带性质,3D卷积被广泛用于提取空-谱信息;然而,基于全3D CNN的模型往往被认为复杂度过高,无法在有限的高光谱图像数据集上发挥作用。结合U-Net结构,本文设计了一种简单而有效的全3D模型F3DUN,实验表明F3DUN在公开数据集上超过了现有的单图高光谱图像超分辨率方法,证明了全3D模型的有效性。此外,通过对具有相同结构的3D/2D混合模型和全3D模型的分析,发现全3D模型在一定条件下优于3D/2D混合模型,且对于训练样本的规模比常识所认为的更加鲁棒。总的来说,本文从数据和模型先验两个角度对目前基于卷积神经网络的高光谱图像超分辨率方法进行了改进。在数据方面,使用知识蒸馏让单图高光谱图像超分辨率模型可以利用来自HR-MSI的信息,提升了效果。在模型先验方面,通过实验说明了全3D模型在高光谱图像超分辨率领域的有效性,并探索了全3D模型与训练数据的关系。