高光谱遥感图像具有光谱分辨率高的特点,但受成像传感器的限制,高光谱图像空间分辨率较低,极大影响了高光谱图像的应用,因此提高高光谱图像的空间分辨率是研究热点问题。高光谱遥感图像超分辨技术通过软件方法,利用低分辨率高光谱图像重建高分辨率图像。传统的矩阵分解方法依赖高分辨率RGB图像提供额外的空间信息,否则重建精度不够。深度学习方法直接从数据学习特征,能够描述数据的深层特征,通过这些内在信息能够达到较高的重建精度。本文基于深度学习方法构建了高光谱图像的卷积神经网络模型,并提出了一种在卷积神经网络超分辨重建的基础上,迭代优化重建结果的优化方法。主要工作如下:（一）本文研究提出了基于U型网的级联式光谱维收缩SS-UNet网络,引入3D卷积神经网络,提升了高光谱图像超分辨重建效果。该方法计算过程分三步:首先,高光谱图像特征通过收缩路径,光谱特征不断减少,空间特征不断细化;其次,使用2D卷积进一步对收缩后的特征进行深度空间信息提取,进一步细化空间特征;最后,特征通过扩展路径,不断进行空谱特征的联合重建,提升光谱维度。在高光谱图像数据集上的实验结果表明,本文所提方法能提高高光谱图像的重建精度,同时模型具有更小的计算量和显存占用。（二）本文提出了基于交替乘子法的卷高光谱超分辨后处理方法。卷积神经网络方法能学习数据的内在规律和深层表示,但通过训练过程学习得到的神经网络模型具有不可解释性,难以对训练好的模型参数进行优化。本文构造的目标优化函数包括数据保证项、模型保证项和梯度规范项三个部分,使用交替乘子法进行重建结果的优化。该目标优化函数的设计充分考虑了输入数据和模型对高光谱图像超分辨重建的影响,使优化结果既与低分辨率输入图像的保持数据一致性,又与已经训练好的模型保持模型一致性。实验结果证明本文所提出的优化方法具有在模型输出的基础提升一定的重建精度的作用。（三）在本文SS-UNet网络的基础上,基于QT图形用户界面开发了一套高光谱图像超分辨系统,实现了数据选择、预处理、超分辨重建、重建效果量化评价的基本功能。此系统具有良好的交互性和跨平台性。