高光谱图像（HSI）通常在电磁波谱上连续采集数十甚至数百个波段的光谱信息,具有非常高的光谱分辨率。不同的光谱特征可以用来反映不同物质的特性,因此高光谱图像在医疗、农业、和国防等方面起着十分重要的作用。然而由于成像物理机制的限制,成像系统通常牺牲空间分辨率来得到高光谱分辨率,这限制了高光谱图像在真实场景的应用。因此通过后处理来同时保持图像的高光谱分辨率和高空间分辨率具有重大实用意义。近年来神经网络在计算机视觉任务上展现了优异的效果,尤其是在关于自然图像的底层视觉任务上。由于高光谱图像的特殊性,这些方法直接运用在高光谱图像上通常会造成严重的光谱失真。为了得到期望的高分辨率高光谱图像（HR-HSI）,通过融合低分辨率高光谱图像（LR-HSI）和高分辨率多光谱图像（HR-MSI）,产生所需要的高分辨率高光谱图像是目前非常有效且常见的途径。有了HR-MSI的辅助信息,将极大补足高光谱图像缺失的空间信息,本论文也基于此提出了一个简单而高效的深度卷积神经网络架构称为HSRnet。本文通过观察发现,将LR-HSI上采样到HR-HSI的空间尺度上后,其光谱结构与想得到的真实HR-HSI相似,因此选择直接上采样LR-HSI来保留图像的大致光谱结构,同时应用空谱注意力和Pixel Shuffle模块来提取信息,旨在输出高质量的空间细节。归功于以上两方面,提出方法能够较好保留空间和光谱信息。本文提出方法主要有以下三个贡献:1)提出的HSRnet结构简单,参数少,易于实现。并且整个网络都是在高通域上训练和测试,将传统的高频细节引入神经网络。相比于让网络直接重建整个超分辨结果,减小了网络的映射空间,减轻了网络的学习负担,有利于网络性能的提升。2)所使用的空谱注意力模块能够区分不同空间细节与光谱信息,有所侧重地利用卷积过程中产生的特征;同时引入Pixel Shuffle模块,在上采样的同时还能够利用卷积操作获取特征。更进一步地,为了更准确地估计细节的负数部分,采用了Leaky Re LU函数而不是Re LU函数来激活网络。3)在不同数据集上的广泛实验都说明了所提出方法的优越性。并且与目前最先进的基于卷积神经网络的方法相比,本文提出方法对训练样本的数量具有鲁棒性;在训练和测试阶段消耗的时间更少;具有更好的泛化能力;即使网络只在特定数据集上训练,对不同的数据集产生的结果也具有竞争力。