高光谱遥感将被测地物的空间信息与极其丰富的光谱信息结合为一体,极大地拓宽了人类的视野,增强了探测物质属性的能力。在多种实际应用中,信息提取与处理的精度很大程度依赖于所采集的高光谱图像质量。然而,在信号采样和数字成像的过程中,高光谱图像会不可避免地受多种类型混合噪声污染而退化。这种退化会极大降低后续应用的精度与效率。近年,低秩表示方法在图像恢复问题上获得了高度关注。但是,由于高光谱图像数据维度高、冗余性强,直接对其应用低秩恢复方法往往难以充分利用图像的空间与光谱先验信息,导致去噪精度不足;同时,由于高光谱图像波段数多、数据量大,基于模型优化的低秩表示方法通常运行效率较低。为应对上述挑战,本文在深入分析高光谱图像的性质、详细总结现有高光谱图像去噪方法的基础上,设计了新的恢复模型,提出了高精度、高性能的去噪方法,并通过充分的实验验证了其有效性与优越性。主要研究内容如下:（1）提出了一种基于子空间低秩学习与BM4D去噪器的去噪方法。与先前的低秩算法一般对整个高光谱图像进行低秩约束不同,该方法在低维子空间中刻画图像的光谱与空间低秩性,同时耦合了无参数的BM4D去噪器作为正则项以利用图像的非局部相似性。充分的实验验证了该方法不仅提升了去噪的精度和效率,还提高了实施的易用性。（2）提出了一种基于张量子空间低秩学习与非局部先验的去噪方法。与先前的子空间表示方法一般首先将三维高光谱图像张量展开为二维矩阵不同,该方法通过高阶张量线性表示来学习子空间的基张量和系数张量,实现了完全张量化的子空间低秩学习。充分的实验验证了该方法在继承子空间方法高效率的同时,还进一步增强了对高光谱图像高维结构相关性的保持,避免了张量展开造成的信息损失,实现了去噪精度的提升。（3）提出了一种基于差分连续正则化与串行张量分解的子空间低秩学习去噪方法。与先前的子空间低秩学习方法一般使用正交约束与即插即用去噪算子以分别更新子空间的基和系数不同,该方法通过差分连续正则化学习出了一个更连续、更平滑、更接近于真实端元光谱的基,并通过串行张量分解更有效地利用了系数图像张量在光谱模、非局部模和空间模的低秩性。充分的实验验证了该方法能更深入地利用高光谱图像本身的空谱特性,实现了去噪精度的进一步提升。