光学遥感是对地观测的重要手段,被广泛应用于军事侦察、环境监测、灾害监测与预警和城市规划等多领域。在遥感成像链路过程中,遥感图像会受到各种退化因素的影响,如卫星平台姿态的变化、光学传感系统、探测器响应及大气湍流的影响都会引起图像质量的退化。为了获得高质量遥感图像,需对退化图像复原以提升遥感图像质量。现有大多数图像复原算法都是建立在模糊图像点扩散函数和图像噪声已知的前提下进行的。但实际成像过程中,遥感图像退化因素复杂,无法精确知道图像模糊核函数和遥感图像噪声分布,因此在退化因素未知情况下,对遥感图像进行盲去噪和盲去模糊是非常必要的。论文围绕光学遥感图像质量提升问题展开研究,以图像稀疏和低秩模型为理论依据进行图像盲复原提升遥感图像质量,包括遥感图像去噪、遥感图像去模糊和高光谱遥感图像去噪等图像复原问题。论文的主要研究与创新点如下:(1)分析遥感图像噪声分布特性,并采用Dir-GMM混合模型对遥感图像噪声建模,该模型能有效描述遥感图像的复杂噪声。提出噪声模型的优点是使用Dirichlet过程混合模型自动确定高斯混合模型中分量数目及高斯混合模型中各分量的混合比例。(2)针对传统矩阵分解方法假设噪声项满足高斯分布且需预先指定矩阵的秩,使得其只能对高斯噪声去噪,且预先指定的秩不一定是最优,使得去噪性能较差。提出噪声项服从Dir-GMM分布的贝叶斯低秩矩阵分解算法对传统方法进行改进,并引入自动相关确定来选择模型的最优秩。提出的误差项为Dir-GMM模型的低秩矩阵分解模型用于遥感图像盲去噪,不需要预先知道噪声的类型及噪声强度,且不需要指定矩阵的秩进行图像盲去噪。(3)在分析模糊对图像稀疏和低秩先验影响的基础上,提出一种组合图像及其梯度的低秩先验的遥感图像盲去模糊算法,且使用加权核范数最小化低秩矩阵分解进一步增强图像的低秩性。提出算法以图像及其梯度的非局部自相似低秩先验为先验正则项估计清晰图像和模糊核进行图像盲去模糊。在模糊核估计步骤中采用多尺度策略从粗到精估计的模糊核,且在每个尺度模糊核估计中对中间去模糊使用加权核范数低秩矩阵分解增强其低秩性,去除中间去模糊图像中精细纹理和边界信息增强图像的低秩性,便于模糊核的估计。获得最优尺度模糊核后,采用传统非盲去模糊方法去模糊获得清晰图像。(4)高光谱图像是由二维空间信息和一维光谱信息组成的三维数据可由张量进行表示,高光谱图像去噪可看作是高光谱噪声图像分解为表示去噪后高光谱图像的低秩张量和表示噪声的稀疏张量的低秩张量分解问题。低秩张量分解可看作是低秩矩阵分解的扩展。本文提出了一种分层贝叶斯低秩张量分解模型能自适应确定张量的最优秩。为了充分利用图像的非局部自相似先验信息,首先将高光谱图像中非局部自相似块形成聚类分组,然后采用提出分层贝叶斯低秩张量分解模型对聚类分组进行分解获得去噪高光谱图像。(5)遥感图像成像过程中,由于成像设备的限制,不能同时获得高空间分辨率和高光谱分辨率遥感图像。为了解决遥感图像的空间分辨率和光谱分辨率固有矛盾,提出了一种非负结构稀疏表示方法进行高空间分辨率和高光谱分辨率遥感图像融合方法,使得融合后目标图像同时具有高空间分辨率和高光谱分辨率。遥感图像融合过程中真实空间响应和光谱响应是未知的,提出了一种高效方法估计空间和光谱响应。