高光谱成像技术主要用于获得同一场景在多个窄波段下的图像数据,它能够探测目标物体的空间结构和光谱反射信息,因此被广泛应用于遥感监测、医学影像分析和食品安全等领域。由于高光谱成像系统工作在狭窄的波带上,为了保证足够的信噪比,传感器通常需要在更大的空间范围内收集光子,从而导致高光谱图像空间分辨率远低于多光谱图像。如何将高光谱图像数据与同一场景下的具有高空间分辨率的多光谱图像进行有效地融合,恢复重建得到具有高空间分辨率和高光谱图像数据立方体是一个有价值的研究方向。通过对国内外高光谱和多光谱图像融合现状的分析,本文提出了基于同质超像素稀疏模型的高光谱与多光谱图像融合算法与基于全局结构和光谱自相似性约束的高光谱与多光谱图像融合算法。论文的主要创新工作如下:（1）针对传统的超像素求解稀疏表示模型不具备全局结构稀疏性的问题,提出了基于同质超像素稀疏模型的高光谱与多光谱图像融合算法。该方法首先利用在线字典学习算法从高光谱图像数据中训练得到高光谱字典,并对它进行降维生成多光谱字典;考虑到场景中相同的物质通常具有近似的光谱反射系数,我们对多光谱图像进行超像素分割,计算每个超像素的统计概率分布,并度量超像素之间的统计概率分布距离,将距离小于阈值的超像素合并作为同质超像素;然后,结合多光谱字典,利用结构稀疏编码技术对同质超像素进行稀疏编码求解;最后将高光谱字典与多光谱的稀疏系数结合获得高空间分辨率的高光谱图像。（2）为了充分利用多光谱图像空间结构信息和光谱信息,提出了基于全局结构和光谱自相似性的高光谱与多光谱图像融合方法。该算法采用一种耦合稀疏表示策略,该策略同时最小化高光谱图像和多光谱图像的重建误差,比单独利用多光谱图像求解稀疏表示问题获得稀疏系数的方法的重建误差小,重建的高空间分辨率的高光谱图像更接近参考图像。在论文的实验部分,将本文算法与近几年相关的算法在多个公共数据集上进行了对比,通过定性和定量的分析验证了本文算法的有效性。