高光谱图像因其丰富的光谱信息而获得广泛的关注,但由于传感器硬件设备的局限性,使得高光谱图像的空间分辨率较低,这在很大程度上限制了高光谱图像的实际应用场景。为了解决这个问题,一种主流的做法是将低空间分辨率的高光谱图像与高空间分辨率的多光谱图像进行融合。高光谱图像作为一种典型的三维结构数据,具有光谱和空间两种重要属性,能否充分利用这些属性的特征成为融合算法非常关键的一步,为此,本文开展了如下工作:（1）基于光谱字典学习的融合算法在光谱字典的帮助下捕获图像光谱特征,有效保持了图像的光谱特性完整,但由于缺乏对空间特征的利用,导致算法性能无法进一步提升。针对此,提出了基于双字典的高光谱图像融合算法。该算法在已有的光谱字典上,引入空间字典,通过双字典捕捉光谱和空间特征的能力,同时增强融合图像的光谱特性和空间细节。且在交替更新策略下,使得双域图像在相互约束下,彼此促进,最终融合出高质量的目标图像。此外,通过施加局部低秩约束,进一步提升了融合图像的视觉效果。（2）高光谱图像中除了存在光谱特征和空间特征外,还存在空谱联合特征。针对此,提出了基于张量的高光谱图像融合算法。张量作为高维结构数据的表示,针对此问题有着天然的优势,使用张量塔克分解,将高光谱图像的融合问题转化为三个模态字典和核心张量的估计问题。利用三个模态字典来捕获图像的光谱和空间特征,同时,通过对核心张量施加TT低秩约束,以充分利用图像的空谱联合特征,从而增强算法的融合性能。最后,本文在Indian Pine和Pavia University数据集上进行实验,从主观视觉效果和客观评价指标证明,本文提出的算法在一定程度上具有优越性。