高光谱图像在诸如异常检测、目标识别和图像分类等很多领域均有非常重要的应用。相对于普通的二维图像,高光谱图像增加了光谱维信息,谱段数增多,谱间分辨率更高。高光谱图像中的每个像素点包含一个连续谱,可以用来精确和详细的描述场景中的物体。然而,由于传感器的限制,直接获得高分辨率的高光谱图像是非常具有挑战性的,当代的高光谱成像技术严重的缺失空间分辨率。为了提高光谱图像的空间分辨率,改进硬件设备的方法仍具有一定难度和限制,因此,人们更倾向于基于软件的方法获得高分辨率的高光谱图像。压缩感知理论是一种新型信号获取理论,确保可以从少量的观测样本中准确的重构出原始信号,从而节省资源及减小对硬件设备的要求。最近,在压缩感知理论的框架下,利用同一个场景的低分辨率高光谱图像和高分辨率的彩色图像联合求解得到高空间分辨率高光谱图像的方法已经显现出不错的效果。在这些方法中,稀疏非负矩阵分解技术(SNNMF)利用了彩色图像和光谱图像的相关性,得到了较好的重构结果。然而,这些方法只考虑了光谱间的相关性,忽略了高光谱图像丰富的空间结构相关性和图像自身光滑性特征。本文对高光谱图像的超分辨率重建算法进行了系统的研究,所取得的主要研究成果为:1.通过对光谱图像的非局部相似性的研究,把高光谱图像的结构稀疏性这一特点作为先验信息与非负矩阵分解技术相结合,提出基于非负结构稀疏表示的高光谱图像超分辨重建算法。结构稀疏表示的利用比起传统稀疏性的1范数约束,更稳定。光谱图像的结构稀疏表示不仅利用高光谱谱间的信息,还挖掘了光谱图像的空间信息,谱线的非局部自相似性,得到更好的重构效果。实验结果表明,该算法较其他方法的重建效果明显提高,尤其是一些细节部分的视觉效果更好。2.通过对光谱图像的光滑性的研究,把高光谱图像的光滑性和稀疏性作为先验信息与非负矩阵分解技术相结合,提出基于非负全变差正则化的高光谱图像超分辨重建算法。TV正则项和稀疏性作为先验知识的加入,使得该算法既利用高光谱图像分解系数的稀疏性,同时各向异性全变差正则项对高光谱图像的光滑性这一先验信息有效的利用,进一步提高了超分辨算法的性能和视觉效果。实验仿真验证了该算法的有效性和可靠性,无论在定量评估和视觉效果都优于其他算法。