随着遥感成像平台和光谱成像软/硬件等各方面技术得到全方位的提升,高光谱图像的空间分辨率和谱间分辨率越来越高,其图像数据逐渐形成高纬度、海量化的趋势,这对后续数据的管理、存储和传输造成了较大困难。因此,在高光谱图像处理的若干应用中,数据压缩极其必要。设计快速且有效的压缩方法并构建实现高光谱图像高质量重建的算法是目前高光谱遥感技术发展中亟需解决的问题。在此需求下,本文主要研究一种新兴高光谱传感策略下基于子采样的压缩方法,在已有的研究成果基础上,针对其不足之处提出了基于张量的具有子空间表达的高光谱图像压缩重建模型及相应算法。主要工作内容如下:一、本文提出了基于张量版本的压缩重建模型,不同于原始文献中矩阵版本描述,能更直接更自然地刻画高光谱原始数据。考虑到高光谱图像具有较高的谱间全局低秩性和空间非局部自相似性。一方面,利用基于正交变换下的张量奇异值分解理论,构造具有更强大表示能力的张量子空间,另一方面,由于分解后的系数张量能很好地继承原始图像的空间非局部自相似性,对系数张量做非局部自相似∥·∥NL正则约束。这既能避免张量展开所引起的空间结构信息丢失,又能将大规模的问题求解转化为对分解后较小规模的系数张量的求解,从而有效提高后续算法的性能和效率。二、针对提出的多变量非凸优化问题,本文设计了一种基于近端交替最小化算法（Proximal Alternating Minimization Algorithm,PAM）框架下的算法。根据算法框架,将原问题拆分为三个子问题,再进行交替求解,最后迭代得到整个模型的数值解。其中,对系数张量求解采用了即插即用的方法,可以利用最先进的去噪器进行快速求解;对子空间的基张量做半正交约束,可以直接得到其闭式解。随后通过大量的仿真实验,与多个有效的补全方法和基于矩阵形式的高光谱去马赛克方法进行对比,从视觉对比结果和客观量化指标上验证了本文提出模型和算法在重建效率和质量上具有更好的平衡。