高光谱图像同时提供物体的空间信息及丰富的光谱信息,利用光谱信息可以对物质进行材质识别,因此它在目标识别领域具有巨大的优势,这也使得它在地质勘测、物质分类等领域得到广泛研究。随着高光谱图像分辨率的不断提升,高光谱图像数据量越来越大,不仅对成像系统的存储造成了压力,而且给数据传输、处理都带来极大挑战。压缩感知作为一种新颖的采样理论,可在采样时对信号进行压缩,能够减少数据量,然而使用该采样理论对高光谱图像采样后,需采用压缩感知重构算法对图像复原,只有精准复原后的图像才能用于目标识别等领域。传统的压缩感知重构算法采用数值最优化思路,需进行大量的迭代运算,这使得对原始图像的求解速度变慢,并且求解精度较低。利用神经网络可完成高光谱图像的高精度低时延重构。故基于神经网络的高光谱图像重构算法具有重要的研究意义。本文主要设计并实现一个基于神经网络的高光谱图像重构系统,提出一种基于神经网络的高光谱图像重构模型。通过充分了解当前研究人员在实际重构高光谱图像时的处理流程,明确重构系统的功能需求以及重构算法需求。在算法需求分析的结果上设计了一个残差注意力网络来重构高光谱图像,首先采用具有不同感受野的卷积层对高光谱图像的特征进行提取,再通过引入通道注意力机制的残差注意力块来挖掘高光谱图像的谱间相关性等潜在特征。通过与三种传统压缩感知重构算法（OMP、TwIST、GPSR）以及一种神经网络重构模型（DNNnet）进行对比实验,相较于传统算法,此方法平均峰值信噪比至少提升8db,平均结构相似度至少提升0.12,重构速度至少提升7倍;相较于DNNnet,此方法表现更优,实验结果证明此方法的有效性及合理性。然后结合系统需求设计并实现一个三层架构的高光谱图像重构系统,包括表现层、逻辑层及数据层。将高光谱图像重构系统分为了若干功能模块,对其中的图像数据管理模块、图像预处理模块、图像去噪模块、传统压缩感知重构模块、神经网络重构模块和评价指标管理模块进行详细设计与实现,使用类图和流程图对设计与实现过程进行描述。最后,本文对设计实现的高光谱图像重构系统进行了充分的功能测试及性能测试。测试结果证实高光谱图像重构系统可平稳运行且满足实际需求,能够快速对用户请求进行响应。用户通过使用此系统,可提高高光谱图像重构的精确性,降低高光谱图像重构的耗时,同时能够提高处理高光谱图像的工作效率。