由于高光谱图像（Hyperspectral Image,HSI）在地物检测和目标识别上要比多光谱图像拥有更多的优势,因此已经被应用到海军作战、打击效果评估研究、情报侦查以及实时系统开发等诸多军事应用领域。但在实际应用中,由于采集设备出现故障、云的遮挡以及光线干扰等原因,从而导致获取的图像会被各种类型的噪声干扰,严重破坏了图像的细节,从而影响分割、解混以及地物识别等后续处理。因此,高光谱图像去噪作为提高后续识别能力的重要预处理步骤已经受到了越来越多研究学者的关注。传统的高光谱去噪方法通常是单独去除每个通道的噪声,但由于没有考虑到不同光谱之间存在的结构相关性,从而在图像去噪的过程中会造成光谱间的相关信息丢失。张量作为向量和矩阵的推广,在表示复杂的多维数据上起着重要的作用。基于高光谱图像可以表示为由行、列和光谱三个维度构成的三阶张量,本文通过利用张量分解来表示高光谱图像可以很好的保留高光谱内部的结构信息,其主要研究内容如下:1.针对于传统的字典学习模型是基于二维图像,并不能直接的应用到多维图像数据处理上,因此将二维字典学习推广到多维上而提出了一种基于非局部张量字典学习模型（Non Local Tensor Dictionary Learning,NL-TDL）的去噪方法。该方法不仅考虑了HSI所具有的非局部相似性特点,而且还结合了高光谱图像的全频谱的全局相关性,借助于张量字典的稀疏方式来实现图像的去噪。2.针对高光谱图像中存在着的各种混合噪声,如高斯噪声、脉冲噪声、死线以及条纹噪声等混合噪声,结合高光谱低秩张量先验（Low Rank,LR）与全变分（Total Variation,TV）正则化信息,并使用非凸（Minimax Concave Penalty,MCP）函数来近似表示稀疏噪声,提出了一种新的混合噪声去除方法,称为LRMCPTV算法。3.针对基于核范数存在的次优问题以及均等地惩罚每个奇异值而导致图像细节丢失问题,本文将加权Schatten-p范数、张量分解和非局部相似性相结合,提出了一种直接对多维数据进行处理的加权张量Schatten-p范数最小化去噪方法,记为WTSN（Weighted Tensor Schatten Nuclear norm）方法。分别采用模拟数据和真实数据进行去噪实验,客观指标评估和主观视觉观察结果表明,所提方法不仅能够有效的移除噪声,而且在图像边缘细节保留上具有优势。