高光谱影像由于光电传输等因素的影响存在着噪声。这些噪声不仅影响了人们的视觉质感,还影响了影像的质量。与此同时,噪声方差估计不仅可以作为传感器质量的评价指标,而且还是高光谱影像后处理的重要参数。因此,高光谱影像的噪声方差估计有着很重要的意义。本文以非监督学习原理为基础,通过构建非线性模型来估计影像的噪声方差,并且通过利用地物的空间相关性和高光谱影像的波谱相关性来提高噪声方差估计的精度。本文的主要内容有:(1)本文提出了空间光谱主成分分析算法(SSPCA)。该方法首先对原始影像进行空间光谱维度的重排得到二维重构后的影像,再利用主成分分析算法进行噪声和信号的分离,用来估计影像的噪声方差。本文还将SSPCA和两种经典的算法在模拟影像和真实影像上分别进行实验对比和分析,SSPCA虽然在整体上有着更高精度的估计结果,但是在部分波段上仍然没有很准确地估计出噪声方差。(2)本文利用非监督深度学习的算法进行高光谱影像的噪声评估。不同于常见的深度学习算法需要大量的数据对进行模型的训练,该方法每次训练只需要单张影像就可以对影像进行信息提取,最后得到影像的噪声方差估计值,大大减少了训练的时间。(3)为了能够更准确和快速的进行模型训练,本文对U-Net模型结构进行不断的优化和改进。首先,将原始的U-Net算法最后一层的激活函数改为sigmoid。其次,为了提高模型的训练速度,将原始的U-Net模型中的下采样和上采样层进行改进,将模型层数由原来的19层降为10层,然后得到了本文改进后U-Net模型。最后,为了提高模型提取信息的准确性,在改进后U-Net模型中加入了非局部块结构,这样有利于更准确地估计影像中的噪声方差。通过实验分析,非局部U-Net有着更快更准确估计噪声方差的优势。对于本文所提出的这两种高光谱噪声方差估计算法,本文对其进行了实验分析。实验结果表明,基于非监督深度学习的算法具有更高的准确性和稳定性。