高光谱遥感图像是利用成像光谱仪在地球表面的相同区域收集的从紫外线到红外线波长的数百个光谱波段.得益于其丰富的光谱信息,高光谱已经应用到很多领域,比如植被测绘,矿物勘探,城市规划和环境监测.然而,高光谱图像在采集、转换、传输、压缩和储存等过程中,常会因成像设备与外部环境因素的影响而引入噪音.噪音的存在不仅影响高光谱图像的视觉效果,而且也限制了后续处理工作的精度.因此,去除噪音、提高图像质量是至关重要的工作.目前,现有的高光谱图像去噪方法都广泛使用l1范数模拟非高斯噪音(主要包括脉冲噪音、条纹噪音和死线噪音).l1范数虽然能有效的消除一些稀疏噪音,但仍会产生有偏估计.为克服l1范数的不足,本文从如何提高稀疏性的角度继续研究高光谱图像的去噪模型和算法.主要内容分为两部分,一是高光谱图像中脉冲噪音的去除,二是高光谱图像中混合噪音的去除.针对高光谱图像中存在的脉冲噪音,本文在LRTDTV模型的基础上提出了去除高脉冲噪音的自适应校正模型.校正模型的目标函数有三项:SSTV正则化项、l1数据保真项和校正项.其中校正项是由初始估计值构造的线性项,目的是提高l1范数的稀疏性,从而更好地模拟稀疏噪音.自适应校正过程如下:第一步由LRTDTV模型产生一个合理的初始估计值;第二步即校正步,基于初始值产生更优的解.校正过程可能需要重复多次.数值实验结果显示,无论是视觉比较上还是MPSNR、MSSIM等指标的比较上,校正的LRTDTV模型都优于LRTDTV模型,特别是对于高水平噪音的去除,效果更佳明显.进一步,对于高光谱图像中高斯、脉冲、条纹等混合噪音的去除,本文提出了基于低秩张量分解和全变分的非凸模型.模型中采用非凸非光滑的MCP函数去除稀疏噪音,Frobenius范数去除高斯噪音,Tucker分解作为低秩约束刻画所有像素间的光谱相似性,SSTV正则化对空间域和光谱域的分段光滑结构进行研究.同时本文采用3-block ADMM算法求解所提模型,然后在九种模拟的噪音数据和真实的高光谱图像数据上进行实验.结果表明,本文所提模型在视觉效果和定量比较上均优于其它的代表性方法.