高光谱图像指通过成像光谱仪采集到的、光谱分辨率在1nm到10nm的光谱图像。高光谱图像包含有丰富的光谱信息,在遥感成像、医疗检测、天文探索等领域有着不可或缺的重要地位。但与迫切的需求相比,高光谱图像的图像质量一直受到各种原因的影响,存在一定的信息损失。如果将该问题视为高光谱图像的图像质量退化模型,那么如何通过重构算法恢复损失的信息,具有重要的现实意义。本文将在国内外研究进展的基础上,通过应用压缩感知和深度学习,对高光谱图像重构算法进行研究。首先,本文分析了高光谱图像传输前后存在的空间域信息损失问题,介绍了针对该问题的压缩感知理论和深度学习理论,并以两者的经典重构算法为例展开分析。另外,本文还讨论了高光谱图像质量的评价标准。其次,为了减少高光谱图像在传输前后的信息损失,本文提出了基于压缩感知的逐步正交匹配追踪算法。通过理论分析得出对应阈值,进而每次循环迭代时选取多列符合阈值的原子并进行正交化处理,该重构算法在二维观测模型下实现了快速重构高光谱图像的目的,在同等采样率下有效改善了恢复图像质量,解决了传统压缩感知模型丢失图像行间信息的问题。最后,有些高光谱图像已经损失了空间域信息,针对该问题,本文提出了一种基于深度学习的高光谱图像重构算法。在分析了现有的基于学习的重构算法可能存在的问题后,通过将高光谱图像光谱域信息纳入损失函数,该重构算法在抑制光谱域失真的前提下,有效的提升了高光谱图像空间分辨率,恢复了损失的空间域信息。与此同时,对应网络的训练方法也得到了相应改进,通过添加预训练步骤和改进判别器损失函数,该生成对抗网络能够更加平稳的进行学习。