高光谱遥感通常在特定电磁波谱上采集数百个连续波段中物体的信息。它采集具有非常高光谱分辨率的图像,通过其光谱特征实现对不同物体的精细区分,在矿物勘探、精准农业、深空探测、伪装目标辨别等军民领域具有重要的应用价值。受到成像机理和光学器件的限制,现有的光谱成像设备难以直接获得同时具有高空间分辨率和高光谱分辨率的高光谱图像,这将严重影响高光谱图像的应用。因此,如何在提高高光谱图像空间分辨率的同时较好地保持光谱信息是一项具有挑战且亟待解决的任务。本文以探月工程和火星探测工程为研究背景,为满足深空探测中对高质量图像的需求,研究高光谱图像超分辨技术。近年来,深度卷积网络在计算机视觉领域显示了卷积网络的巨大优势。基于CNN的彩色图像超分辨可以以逐波段或以3个波段一组的方式直接应用于高光谱图像超分辨,但这种方法缺乏考虑波段之间的相关性,具有严重的光谱失真。高光谱图像是一个立方体数据,结合高光谱数据的特点,基于3D卷积的方法同时考虑了空间和光谱信息,取得了不错的效果,但是忽略了光谱之间的信息高度冗余,且3D卷积参数量多,给高光谱图像超分辨任务带来了一定的困难。本文基于3D深度卷积网络对高光谱图像超分辨率进行研究,可以较好地恢复图像的纹理细节,并减少计算量。本文主要研究内容和创新点如下:(1)为了提高超分辨质量同时简化计算量,解决3D卷积忽略波段信息冗余且参数多的问题,我们提出了基于1D-2D的空-谱高光谱单图超分辨算法。高光谱图像光谱信息丰富,但波段之间高度冗余。3D卷积分解可以有效缓解波段之间的冗余。另外,高光谱图像超分辨需要解决的问题集中在空间分辨率增强和光谱保真。因此,可以通过将3D卷积分解成1D光谱支路和2D空间支路分别提取光谱特征和空间特征,并且通过分级的横向连接将光谱特征与空间特征融合。同时为了更充分地提取空间信息,空间支路使用部分波段,通过增大通道数,增加空间特征的多样性。(2)为了充分结合图像的局部特征和全局特征,生成纹理细节信息更丰富,视觉效果更逼真的超分辨图,我们提出了基于注意力机制的1D-2D的空-谱高光谱单图超分辨算法。通常的增大感受野的方式是通过卷积层的堆叠,注意力机制通过对整幅图不同位置赋予不同的权重,可以获得全局的上下文信息,有效地提高了超分辨的性能。通过实验验证了注意力机制的有效性,并且从主观和客观评价上说明了我们的算法生成的图像更真实。(3)为了充分利用多源数据,我们的算法不仅适用于无参考图的高光谱单图超分辨,也适用于有全色图等辅助图的高光谱融合任务,只需要通过一个多尺度特征提取模块进行转换。受限于复杂的成像方式以及光学条件,遥感数据空间-光谱维度的分辨率很难同时达到最高。充分利用多平台、多传感器观测,可以进一步提升遥感数据获取能力,建立多源图像互补信息融合体系。通过两个经典的高光谱融合数据集从实验的角度说明了本文算法的优越性。