自20世纪80年代以来,得益于卫星技术、传感器技术以及计算机技术的高速发展,高光谱遥感技术应运而生,并逐渐成为对地观测的重要手段之一。高光谱遥感由于其高光谱分辨率,可以获得连续而精细的地物光谱特征曲线,为地物特征分析带来有利条件,已被广泛应用于国土资源调查、地球科学与应用和国防安全等诸多领域。高光谱遥感技术的出现促使遥感应用朝更加精细准确的方向发展,然而,由于成像系统内部和外界环境等诸多因素影响,高光谱遥感图像在获取、传输、存储过程中不可避免地受到混合噪声的污染,导致图像质量下降,严重阻碍后续的信息提取以及精细化应用。针对以上问题,本论文以高光谱遥感图像为研究对象,基于低秩表示原理与深度学习理论,提出高效的降噪方法,旨在解决高光谱图像混合噪声去除方面的问题,并将研究扩展到目标探测应用上。主要研究工作包含以下内容:第一,从高光谱遥感图像噪声作用机理出发,分析图像中的主要噪声类型及其产生的原因,介绍高光谱图像传统降噪模型以及基于深度学习的降噪模型,并分析了这两类模型在目前发展中仍存在的问题。介绍目标探测相关理论基础,并通过仿真实验初探复杂噪声场景对目标探测应用效能的影响,说明了目标探测前降噪处理的必要性。第二,针对传统基于先验约束的降噪方法需要明确显式先验,并手工定制图像先验的问题,提出了一种基于子空间表示系数正则化和深度先验的降噪算法。该方法在低秩表示理论基础上,使用即插即用框架将降噪求解模型的数据项和正则化项解耦,并通过深度降噪网络隐式地定义正则项先验,以解决子空间表达系数图像的降噪子问题。该方法不仅结合了传统的先验约束降噪模型,还利用了深度降噪网络的强大性能。仿真和真实数据实验表明,该方法可有效去除高斯加性噪声以及泊松分布噪声,同时可以保留更多纹理结构特征。第三,针对高光谱遥感图像中高强度、混合噪声的降噪问题,提出了一种基于正交子空间投影和残差通道注意力机制的降噪算法SPARCA-Net。首先,基于空间注意力机制设计了正交子空间投影（OSPA）模块,该模块利用深度网络实现了传统方法中的正交子空间投影过程,通过将特征图投影到其信号子空间,在投影重建的过程中可实现噪声与主信号的分离,传统卷积降噪网络只能利用特征图的局部空间相关性信息,该模块能够同时探索和表征图的局部和全局空间相关性信息。然后,基于通道注意力设计了残差通道注意力（RCA）模块,该模块可以自适应地学习和表征通道之间的互相依赖性,探索高光谱图像光谱维的全局相关性信息。因此,本模型能够充分利用高光谱图像的局部和全局空-谱信息。实验结果表明,SPARCA-Net能够在高强度、混合噪声场景中恢复出高质量图像。第四,针对目标探测应用驱动的高光谱遥感载荷参数设计和降噪算法选型需求,开展匹配和异常探测效能对高斯、条纹、死线、脉冲等不同噪声场景的敏感新分析。结果表明:噪声对于匹配和异常探测效能的影响存在差异,对于异常探测效能的影响不随场景和目标占比改变,在不同场景和目标占比下,噪声强度对目标探测效能负影响;噪声对于匹配探测效能的影响依赖于场景和目标占比,对于所占像元较多且轮廓清晰的目标,噪声强度对目标探测效能负影响,对于所占像元较少且孤立的点目标,噪声强度对目标探测效能正影响。最后,实验验证了本文提出的降噪算法对于复杂噪声场景下目标探测应用效能的提升明显。