受传感器技术的制约，多传感元成像系统在成像过程中不可避免地遭受条带噪声、随机噪声及成像模糊等问题影响，获取的图像品质退化，极大制约了后续数据解译和信息提取。条带噪声主要由多传感器非均匀性响应造成，其校正的困难在于如何快速有效地去除各种不同类型的条带噪声，同时完整的保存好图像原有的结构信息。本文针对条带噪声校正问题展开研究，包括条带噪声特性分析、退化图像建模、图像在空域、谱域、变换域及联合域下的稀疏性表达方法及快速的迭代求解算法。以变分正则化为主要手段，主要研究内容如下：　　首先，本文分析了条带噪声特性，并建立了反映条带、噪声和模糊因素的成像退化统一模型。绝大多数的现有条带校正算法仍仅针对某一种特定的传感器条带噪声而设计，而不同传感器导致的条带噪声具有明显不同的特征，对数据产生的干扰在图像中的表现形式也不同，因此现有的方法在面对不同成像系统时，仍缺乏好的稳定性，这显然不能满足现实中的复杂应用需求。本文在分析了条带图像退化产生机理的基础上，总结了条带噪声的结构特点。同时建立了统一的条带模糊及噪声的数学退化模型，为恢复高质量图像奠定基础。　　其次，针对多传感元成像系统存在的非均匀性条带退化问题，诸如：红外焦平面阵列成像仪，无源毫米波成像仪，聚焦式离子束显微镜等，本文提出基于单方向总变分与帧波正则化的条带校正算法，而不仅仅局限于某一类成像系统。通过把握住条带噪声内在的方向性特点，利用单方向总变分(total variation)对条带方向性的捕获，同时利用小波帧对图像多尺度的结构刻画能力，达到恢复清晰图像的目的。　　再者，针对图像同时存在条带噪声与成像模糊的退化问题，以前的方法均简单直观的分开独立处理这两个问题，本文提出这两个问题可以在统一的变分框架下，被完美的同时解决，并且相互促进。主要手段为融合图像在小波帧变换域和梯度域下的单方向总变分来共同约束解空间，建立非凸非平滑的目标函数，通过split-Bregman优化算法迭代求解极小化目标函数，使其在估计图像的时候达到同时抑制条带噪声和去除模糊效果。将小波帧的多尺度分析能力应用在图像复原中，保证了图像复原后的结构清晰度。　　进一步，针对图像在获取的过程中经常遭受条带噪声及其它各种各样的混合噪声：高斯随机噪声，死像素等问题，为了节省处理时间，本文提出一种统一的图像降噪方法来同时的去除混合噪声。通过空域内字典学习的手段，本质上利用了图像内在的自相似性，来剥离随机噪声，同时利用梯度域单方向总变分来抑制条带噪声，把握住了条带噪声的方向性，达到去除噪声的同时，完美的保存好图像固有的结构信息。　　最后，鉴于传统的遥感图像条带校正算法大都在单幅图像内处理，忽略并破坏了相邻谱带间固有连续性，本文提出一种基于谱-空联合的总变分条带校正算法，将遥感图像多谱数据看作一个谱-空数据立方体，通过施加一个各项异性的谱-空三维总变分约束，保证遥感图像在谱-空内在的平滑性，从而达到去除噪声的同时保存好谱-空结构信息的完整性。