高光谱影像具有图谱合一的优点,能够以较高的光谱诊断能力对地物目标进行精细分类与识别,在城市规划、农林检测、地形图更新、地籍调查等诸多领域具有广泛的应用。但是,在高光谱遥感影像观测过程中,受传感器故障或天气条件的影响,高光谱数据经常会受到噪声、条带、缺失、云雾遮挡、阴影等降质因素的干扰,这些噪声问题严重影响了高光谱数据后续应用的精度和可信度。为了克服噪声问题,需要从“数据”的角度来系统发展高光谱影像噪声分析方法,从“任务”的角度构建高光谱噪声鲁棒性应用分析框架。本文首先回顾分析了目前关于高光谱影像噪声分析取得的研究进展,并从现有的工作为基础,归纳总结了目前关于高光谱噪声分析亟待解决的三个问题,包括混合噪声问题、有色噪声问题以及模型误差噪声问题等。针对以上高光谱噪声难题,本文结合模式识别与数据挖掘领域的最新理论,顾及高光谱遥感影像特性,提出了基于低秩表示的高光谱影像多类型噪声分析理论与方法。从“数据”的角度,解决了高光谱影像混合噪声和有色噪声的分析难题;从“任务”的角度,以混合像元分解为例,提出了噪声分析(包括混合噪声、非线性散射形成的“模型误差噪声”等)与端元/丰度盲分解一体化的研究模型。主要研究内容如下:(1)针对高光谱混合噪声问题,首次提出了高光谱影像稀疏噪声的概念。考虑到高光谱条带噪声、信息缺失、脉冲噪声、云雾遮挡等降质因素在影像中所占比例较少,将之建模为稀疏噪声,从而构建了高光谱影像稀疏、高斯混合噪声观测模型。在此基础上,首先通过探索高光谱无噪影像光谱域的局部块低秩先验,提出了一种基于矩阵恢复模型的高光谱影像混合噪声去除方法;其次,顾及影像光谱域全局低秩先验与空间域分段平滑先验,提出了一种联合全变差与低秩稀疏分解模型的高光谱影像多类型复合噪声去除方法;最后,利用高光谱局部块低秩与全局空谱光滑先验,提出了局部低秩全局空谱全变差的噪声去除方法。分三个阶段探索高光谱局部与全局、空间与光谱的先验信息,并辅以最先进的机器学习方法如低秩稀疏表示学习、空-谱全变差、乘子交替迭代算法(ADMM)等实现高光谱混合噪声的分析与去除。(2)针对高光谱影像有色噪声问题,提出了噪声自适应迭代的影像噪声去除框架模型。以低秩矩阵恢逼近模型为基础,通过探索高光谱影像波段之间的高相关性建立低秩先验模型,然后根据各个波段的噪声强度自适应估计遥感影像的迭代参数,并利用迭代低秩逼近算法,从而实现了影像信号与高斯噪声的有效分离。同时,本文提出了高光谱噪声的估计方法以及端元数目的估计方法,为噪声自适应迭代方法的参数自适应估计提供了可能。该方法在有效的恢复高质量影像的同时,能够更好的保持原有的空间与光谱信息。实验中,噪声自适应迭代框架模型与混合噪声分析结合取得的结果也证实了其在有色噪声分析中的可扩展性。(3)针对高光谱混合像元分解中存在的高斯噪声、稀疏噪声和非线性散射形成的模型误差噪声,提出了鲁棒性的混合像元分解研究方法。针对高光谱高斯噪声,提出了基于全变差正则化的稀疏非负矩阵分解算法,对分解的丰度矩阵施加稀疏约束和空间平滑性约束,实现混合像元分解的同时,完成丰度图像的去噪;针对高光谱混合噪声和非线性散射问题,提出鲁棒性稀疏非负矩阵分解方法,充分考虑脉冲、条带、死线等噪声以及非线性散射能量的干扰,对不同类型噪声分类建模,增加了算法的可实用性。在HYDICE Urban高光谱数据上的实验结果证实了如下观点:尽管噪声波段含有大量的噪声信息,但是在鲁棒性算法中,噪声波段还是能为混合像元分解提供有用信息。