高光谱成像技术是近几十年来成像领域的一场革命。高光谱图像由几十甚至几百个连续密集光谱窄波段组成，既包含了普通图像的空间信息，又包含了所拍摄物质的光谱信息，因此在农业、矿物勘探、地物识别、变化检测等领域得到了广泛应用。然而，高光谱图像在成像过程中不可避免会引入图像噪声，造成了较低的成像质量，严重影响高光谱图像的分析和应用。因此，图像去噪成为了高光谱图像的必要预处理，去噪算法性能的好坏也是决定高光谱图像后期分析准确性与应用可靠性的一个关键因素。　　近年来，各种高光谱图像去噪算法引起了研究人员很大的关注，例如小波变换、曲线波变换、线性或非线性滤波、全变分、稀疏表示、张量分解等。其中，稀疏表示是图像去噪的一个研究热点，因为自然信号均可通过字典中少数原子的线性组合进行较好的近似，而噪声成分不具备这种稀疏表示的性质。本文在图像去噪技术相关研究的基础上，结合高光谱图像的光谱-空间结构、非局部相似性、光谱波段关联性等固有特性，从噪声建模、稀疏表示、多任务学习、字典学习等方面展开研究，完成了以下创新性研究工作:　　1.提出了使用泊松-高斯噪声模型对高光谱图像进行噪声建模，并提出了噪声参数的估计算法及方差稳定化算法。传统的图像去噪算法大多将噪声模型假设为简单的加性高斯噪声。然而高光谱图像的成像原理决定了其较为复杂的噪声来源，即高斯噪声假设不完全符合高光谱图像。将基于高斯噪声假设的图像去噪方法直接用于高光谱图像将带来不佳的去噪性能。本文通过研究高光谱图像的主要噪声来源，使用泊松-高斯模型对其噪声进行建模，通过噪声估计方法，确定噪声模型参数，从而进行定量分析，并引入了方差稳定化变换，利用估算出来的噪声模型参数，将泊松-高斯噪声近似转化为高斯噪声，从而使采用高斯噪声假设的去噪算法适用于高光谱图像。　　2.提出了基于非局部稀疏表示模型的高光谱图像去噪算法。高光谱图像具有非局部相似性，即在图像的不同区域，存在相似内容的图像块。合理利用非局部相似性，能大大提升去噪性能。本文结合了非局部均值算法与稀疏表示算法，引入多任务学习，提出了非局部稀疏表示去噪算法。首先将高光谱图像中的3D图像块进行聚类，以此挖掘其非局部相似性。然后将同一类中的图像块进行多任务稀疏表示，以保证相似的图像块在稀疏表示时共享相同的稀疏结构。文中使用带l2.1正则化的稀疏回归与带l2,0约束的稀疏回归两种不同的数学模型分别对多任务稀疏表示进行建模，并分别使用加速近邻梯度算法与多任务正交匹配追踪算法进行求解。实验表明，该算法去噪性能优于单纯使用非局部均值算法或稀疏表示去噪算法。　　3.提出了基于多任务稀疏非负矩阵分解的高光谱图像去噪算法。在基于稀疏表示的去噪算法中，字典学习方法能产生对数据自适应的字典，是提升去噪性能的一种有效途径。稀疏非负矩阵分解是一种近年来广泛使用的字典学习算法，通过交替进行非负稀疏编码和字典更新两个步骤，最终同时得到字典与稀疏表示的系数。由于高光谱图像特有的波段相关性，不同光谱波段在同一空间位置的图像块表示同一物体不同波长下的光谱反射率。针对这一特性，本文将多任务学习引入稀疏非负矩阵分解，令多个光谱波段共享同一个系数矩阵。通过系数共享，多个波段的去噪过程被联系到一起，互相利用信息，大大提高了某些强噪声波段的去噪性能。　　本文通过泊松-高斯噪声建模，及方差稳定化变换，提高了去噪算法的针对性和适用性;通过多任务稀疏表示以及多任务稀疏非负矩阵分解，充分利用了高光谱图像中特有的内在结构，取得了优越的去噪性能。