高光谱图像（HSI）在采集过程中易受到环境或者采集设备的干扰，遥感数据信息会受到大幅的损失，因此高光谱图像去噪是图像预处理的基本问题。设计去噪算法，将HSI划分为局部等分块，采用低秩矩阵约束表征局部特征，并在其基础上利用截断核范数最小化方法来分离出稀疏噪声，全局利用空间-光谱全变分正则化实现分离密度噪声和维持空间-光谱平滑性的目的，两者结合能高效去除高斯噪声、椒盐噪声等的混合噪声。对所提优化算法与其他4种近几年发表的去噪算法进行对比，平均结构相似度提高0.13，平均峰值信噪比提高1.10 dB，运用到不同强度的单一类型噪声中，平均结构相似度也能提高0.10。在实际图像的放大对比中，所提优化算法也有着明显的噪点去除效果。实验结果证明，所提方法对高光谱图像在局部特征表述上更加贴近，结合全局正则化方法后获得更明显的去噪效果，能够对高密度噪声和稀疏噪声有清除作用。

针对高光谱图像在获取过程中存在多种不同程度退化的问题,提出一种基于张量截断核范数和空谱全变差正则化模型,实现了高光谱图像的超分辨重构。首先分析高光谱图像的两种先验信息:空谱低秩先验和空谱稀疏先验;利用空谱低秩先验建立基于张量截断核范数的低秩约束模型,实现对秩函数的准确逼近;利用空谱稀疏先验建立空谱全变差正则化模型,有效地保持图像的边缘信息;最后结合两种模型的优势,建立基于张量截断核范数和空谱全变差正则化的高光谱图像重构模型。实验结果表明新模型提高了视觉质量,与目前最新的超分辨率重构模型相比,本文方法的平均峰值信噪比提高了0.8 dB。新模型充分利用高光谱图像的空间和光谱稀疏低秩先验,针对模糊化和下采样后的高光谱图像,能够有效实现高光谱数据的超分辨率重构。