高光谱图像是一种区别于普通二维图像的三维数据结构,这类图像可以同时采集成像目标的空间维和光谱维信息,在成像时,除了可见光波段以外,在多个光谱范围内也可同时进行成像,所成图像能够更加详细的描述目标信息。但是这类图像的空间分辨率通常低于普通的二维图像,导致其在识别或检测等应用领域有很大的局限性。因此,通过信号处理的超分辨率复原技术重建高分辨率图像,已成为提高图像空间分辨率的重要途径。然而,现有的算法通常仅对二维普通图像的空间维高频信息进行卷积和重构,未能利用到图像光谱维中包含的大量有用信息,重建效果不佳。本文针对高光谱图像的数据特点,研究了基于三维卷积的高光谱图像超分辨率复原算法。主要研究内容包括:针对高光谱图像空间维和光谱维信息相关性的特点,设计了面向超分辨率复原应用的三维卷积核,同时提取高光谱图像的空间和光谱维特征,以弥补二维卷积核对光谱维特征利用的缺失。进一步通过仿真实验分析了卷积神经网络的各部分参数对三维卷积核特征提取效果的影响,对卷积层数、卷积核大小、激活函数等进行优化设计,为高性能超分辨率复原算法的研究奠定了基础。以所实现的三维卷积核为基础,设计并实现了一种基于三维残差密集网络(3D-RDN)的高光谱图像超分辨率复原算法。发挥RDN网络充分利用深层卷积网络分层特征的优势,通过三维卷积核同时提取高光谱图像的多层空间和光谱维特征,并设计了相应的三维亚像元卷积环节,实现了高性能的超分辨率复原。实验结果表明,该方法对所有卷积层提取到的原始低分辨率图像中的分层特征具有较高的利用率,取得了显著优于现有超分辨率复原算法的结果。进一步针对3D-RDN算法中三维卷积核的引入导致参数量多、运行时间长、对训练模型所需的GPU内存要求高等问题,设计并实现了一种基于Virtual-3D卷积核的超分辨率复原算法。根据张量分解理论,将三维卷积核分解为低维度二维卷积核与一维卷积核相组合的形式,并通过仿真实验确定性能最佳的组合方式,构造Virtual-3D卷积核。并以此为基础进一步优化改进3D-RDN算法。实验表明该算法不仅降低了网络的整体计算量,超分辨率复原性能也得到了一定的提升。