高光谱图像是一种同时包含空间与光谱信息的三维数据结构,通过记录不同波段的场景信息,能较为全面地描述物体属性。然而,受成像原理与硬件性能的限制,高光谱图像的空间分辨率通常较低,导致其对地物分类贡献有限。因此,研究如何提高高光谱图像的空间分辨率具有重要意义。论文对高光谱图像超分辨率重建方法进行研究,重点针对重建中存在的光谱信息利用率低以及光谱信息失真等问题,设计相应解决方案。针对传统网络中光谱特征利用率低的问题,论文设计了一种基于通道约束的三维残差超分辨率网络（3D-CRSR）。该网络利用三维卷积对空间特征与光谱特征进行提取,并结合注意力机制对通道进行加权约束,提高网络对空谱特征的表达能力;为增强图像的空间与光谱细节信息,利用残差特征聚合框架设计残差模块,突出空谱细节残差特征,提升图像细节重建效果。面向高光谱图像和高空间分辨率多光谱图像联合进行超分辨率重建的需求,论文设计了一种基于多特征融合的双通道超分辨率网络（DSR-MFF）。针对传统重建网络对浅层特征与残差特征学习能力弱的问题,设计了多特征融合模型,并利用特征层加权约束机制提升不同图像、不同层次特征的表达能力;针对图像重建存在的光谱失真问题,提出了空谱联合约束损失函数,综合考虑空间域与光谱域误差,提高模型光谱信息还原能力。在公开的高光谱图像数据集上将论文提出的模型与现有超分辨率算法进行了对比实验,并将两种模型对重建后的结果在地物分类实验中进行测试,实验表明论文提出的重建算法在视觉效果与客观指标上均优于其他方法,并且对提高地物分类精度具有积极意义。