高光谱图像的数据有着丰富的空间信息和光谱信息,能够更好的反映地物的实际情况,在民用和军事领域有着巨大的应用前景。高光谱图像容易受到外界因素的影响,出现图像质量下降,信息丢失的情况,对图像的后续处理带来了一定的问题,所以图像的预处理尤为重要。高光谱图像的信息恢复技术作为高光谱图像的预处理过程用到的技术,一直是遥感领域研究的热点问题之一。其中,条带去除和超分辨重建是高光谱图像信息恢复中两个重要的问题。由于诸多因素的影响,高光谱图像在获取和传输的过程中,容易产生条带状的噪声,使其丢失了大量的重要信息,为图像接下来的处理带来了巨大的阻碍。因此,对高光谱图像进行条带去除是其预处理中的较为重要的一步。对于条带去除而言,现有的方法在处理条带缺失列数较多、地物较为复杂时,取得的条带去除效果较差。而基于深度学习的卷积神经网络具有良好的边缘特征学习能力和挖掘海量信息背后隐藏的信息的能力,卷积神经网络作为时下较为流行的机器学习技术,在图像处理领域已有着广泛应用。本篇论文就把深度卷积神经网络运用到条带去除中来,实验表明,当缺失条带列数较多时,该方法能取得比传统方法更好的条带去除效果。高光谱图像具有较高的光谱分辨率和较低的空间分辨率,较低的空间分辨率大大限制了高光谱图像的实际应用。从硬件上来提高高光谱图像的分辨率代价较高,于是本篇论文把超分辨率重建的方法运用到提高高光谱图像的空间分辨率和光谱分辨率中来。在超分辨率重建中,基于深度卷积神经网络的方法能够实现端对端的重建,是时下较为成功的重建方法。本文针对高光谱图像的特点,构建一维、二维和三维的卷积神经网络来分别恢复高光谱图像的光谱信息、空间信息和空-谱信息。实验结果表明,基于深度卷积神经网络的超分辨率重建比传统的方法能够更好地恢复高光谱图像的光谱和空间信息,尤其是空间信息,使得该方法有着巨大的实际应用前景。