高光谱图像是覆盖了多个连续窄带电磁波段的三维数据,在情报侦察、地质勘测、天文探索等多个军民方向已得到广泛应用。如何获取并传输高质量的高光谱图像、对其内容进行识别与分类是关键性的研究问题。一方面,受限于硬件设备、传输带宽等因素,高光谱图像往往空间分辨率不足,而端元混合、光谱畸变等现象加大了图像重构难度,基于深度学习的重构方法因其能端到端地拟合隐性特征成为了研究热点。另一方面,高光谱图像结构复杂、信息冗余,给聚类方法的应用带来诸多困难,而子空间聚类方法将高维数据表示成多个低维子空间的组合从而有效减少冗余。本文针对高光谱图像进行了以下研究:(1)提出基于谱空结合的残差学习超分辨率重构方法(Spectral-Spatial Residual Network for Hyperspectral Image Super-Resolution,SSRNet)。采用伪三维卷积提取谱空信息,并将图像重构任务转换成对高/低分辨率图像间残差的学习,使得网络权重稀疏、收敛速度快。鉴于MSE函数会使得图像过于平滑,本文使用了鲁棒性更好的Charbonnier损失函数,并采用多尺度训练方式,可以应对不同采样因子下的图像重构任务,从而节约计算成本。大量实验表明,SSRNet能够利用局部特征和全局结构有效地解决高光谱低分辨率图像细节缺失、边缘模糊、纹理不清晰等问题,相较于其他算法,有更高的重构图像质量。(2)提出基于空间分布保持的稀疏子空间聚类方法(Spatial Distribution Preserving-Based Sparse Subspace Clustering for Hyperspectral Image,SSC-SDP)。与稀疏子空间聚类等线性模型不同,SSC-SDP构造了稀疏表示系数矩阵与原始数据间的同胚映射,通过最小化二者密度估计间的差异,使得稀疏表示系数矩阵拥有刻画原始数据非线性分布的能力,且空间结构满足局部紧致、全局可分,从而可以更精准地区分样本类别。受到大气传输等因素影响,高光谱图像的谱信息表征能力不足,而空间信息相对稳定不受噪声干扰,且空间相近的样本通常有更高概率属于同类物质。本文在对原始数据估计密度时添加了空间信息,并结合ADMM(Alternating Direction Method of Multipliers)提出对SSC-SDP的优化求解方法。与现有聚类方法相比,SSC-SDP在多个高光谱数据集上均有更高的识别准确率。