为了有效去除高光谱图像中噪声带来的干扰，提升图像质量，在局部低秩和全局组稀疏结合的框架内提出了一种基于快速三因子分解和组稀疏正则化的去噪模型。首先，将高光谱图像分解成若干三维重叠图块并将其逐波段列化成矩阵，在快速三因子分解的框架下将这些矩阵分解为两个正交因子矩阵和一个核心矩阵，对核心矩阵添加L2,1范数最小化约束；其次，对高光谱图像空间和光谱方向的梯度张量分别添加组稀疏正则化约束；最后，将低秩矩阵的三因子分解和全局组稀疏正则化结合，可以充分挖掘图像的局部低秩和稀疏的先验信息，并去除各种混合噪声。在三个数据集上与五种经典模型相比，该模型的各项评价指标更高，去噪图像保留了更多细节信息，去噪效果更好。

由于成像设备、传输条件等因素影响，高光谱图像常常会携带多种噪声。为提升高光谱图像后续应用的效果，去除噪声是十分必要的。本文通过分析高光谱图像的先验结构特征，提出基于张量低秩分解、混合空谱梯度域低秩分解及组稀疏先验的高光谱图像去噪模型。首先，引入高阶梯度，充分挖掘高阶差分各方向之间的内在联系，利用1阶和2阶梯度算子将高光谱图像从原域变换到梯度域，在混合梯度张量上建立加权的l_1，2范数来探索高光谱图像的梯度组稀疏先验；其次，同时在梯度域和原域探索高光谱图像的低秩先验。通过变换域低秩理论证明了梯度域的低秩性，并用核范数最小化来约束梯度域的低秩特征；然后，采用经典的张量Tucker分解方法来保证高光谱图像原域的低秩先验。新模型充分利用高光谱图像的先验信息，有效去除了混合噪声，极大地改善了后续高光谱图像处理任务的性能。最后，通过在模拟数据集和真实数据集上进行的对比实验，证明了新模型在高光谱图像去噪领域的优越性。本文模型复原结果比次优模型平均峰值信噪比提高了5.35 dB，平均结构性相似指标提高了0.009。