高光谱遥感成像具有“图谱合一”的特点,能够提供丰富的空间与光谱信息,在精细农业、生态监测、矿物勘探以及城市规划等领域得到了广泛的应用。但是由于成像条件变化、地物分布复杂,高光谱遥感成像面临“同物异谱”和“同谱异物”的光谱不确定性问题,限制了地物分类与精细识别精度的进一步提升。从成像原理的角度出发,高光谱遥感探测信息的不确定性主要有三个原因:1)成像过程中光谱信息退化;2)高光谱二维成像导致三维空间信息退化;3)对象之间互相遮挡导致部分区域存在阴影。遥感高光谱本征信息复原的目的是从高光谱图像中提取具有明确物理意义的不同分量——反映地物目标本身反射特性的反射率分量、反映地物目标空间几何结构的几何分量以及反映环境光照的光照分量,从而有效解决遥感高光谱信息探测不确定性问题。为此,本文针对不同的数据条件建立了新的高光谱本征信息复原模型,并在仿真和真实数据上验证了本文方法的有效性和优越性。论文的主要工作包括:（1）针对2D高光谱本征信息复原问题,本文提出了一种基于l~1图编码的单幅高光谱本征图像分解方法。本文方法首先建立单幅高光谱图像的基本成像模型,将高光谱图像分解为表征地物自身反射特性的高光谱反射率分量和表征环境光照和地物表面法线相互作用的明暗分量;在此基础上,为了建立有效的二次约束,本文引入了基于l~1图编码的反射率先验,描述反射率分布的局部相似性和全局稀疏性;最后,基于成像模型和先验约束,将本征高光谱图像分解问题转化为二次损失函数的最小化问题,并引入超像素框架优化求解。实验结果表明,相比现有高光谱本征图像分解方法,本文方法能得到更精确的本征信息复原结果。（2）针对DSM数据辅助下立体高光谱本征信息复原问题,本文提出了一种高光谱-DSM联合本征信息复原方法。DSM数据可以通过立体相机和LiDAR传感器获取,提供地物2.5维表面高度信息。本文方法首先基于球谐光照理论对光照和地物表面法线的相互作用进行建模,将明暗分量进一步分解为球谐光照分量和几何分量;然后,提出基于l~1图编码的光谱先验和基于局部线性嵌入学习的几何先验,约束立体反射率的局部与非局部一致性。实验结果表明,本文方法能有效估计环境光照并提升体素级高光谱反射率的复原精度。（3）针对LiDAR数据辅助下立体高光谱本征信息复原问题,本文提出了一种高光谱-LiDAR联合本征信息复原方法。相比DSM数据,LiDAR点云数据不仅能提供亚像素地表的空间几何结构信息,同时还提供不受环境光照影响的强度信息。本文方法首先从双向反射函数出发,构建了反映立体光谱退化机制的亚像素高光谱成像模型;然后,利用蒙特·卡洛积分公式建立LiDAR点云-高光谱像素之间的本征映射关系,并利用LiDAR强度信息学习亚像素反射率分布先验。实验结果表明,本文方法能有效地生成本征高光谱点云并解决光谱混叠问题。（4）针对立体高光谱数据阴影区域信息复原问题,本文提出了一种基于超体素的立体高光谱数据阴影区域信息复原方法。立体高光谱本征信息复原模型假设全局光照在空间上均匀分布,并忽略了阴影的影响。为了得到无阴影的本征立体高光谱数据,本文方法首先对立体高光谱数据进行超体素分割,基于立体本征信息复原得到的全局光照计算超体素之间的遮挡关系,从而精确地检测阴影区域;然后,建立考虑阴影情况下的高光谱成像模型,提出光照不变光谱先验来约束阴影区域与非阴影区域的反射率一致性。实验结果表明,本文方法能有效检测阴影区域并复原阴影区域反射率。