视觉对人类具有至关重要的意义，图像在人类生活中广泛分布。因此，图像处理被广泛应用于遥感，军事，医疗等领域。如今，人们很容易通过数字技术获取大量图像。图像处理需要能够解决更复杂的问题，适应人类视觉。机器学习技术是图像处理开发的重要部分。因为数据集的发展，图像处理和机器学习引起了巨大的关注。基于机器学习的图像处理有很多优势，能够更好地理解复杂的图像。本文研究了三个方面问题:多光谱和全色图像的锐化、多焦点图像融合和高光谱图像分类。
　　首先，图像锐化前进行图像增强，它是一个预处理的过程。图像增强包括同域增强和交叉域增强。同域增强方法（如拉普拉斯、边缘锐化）是在空间域增强多光谱和全色图像。交叉域增强方法是混合了拉普拉斯滤波器和离散傅里叶变换锐化。其次，使用抠图模型(MM)融合增强后的图像，获得高分辨率合成图像。定性和定量的实验结果表明本文方法在两个数据集上优于现有方法。
　　多焦点图像是当视场超过成像系统景深时，导致图像模糊”。彩色多焦点图像融合是合并多张多焦点图像，获得清晰的合成图像。该方法分为两步。首先，通过具有离散傅立叶变换(DFT)和拉普拉斯滤波器(LF)技术增强了多焦点图像。其次，通过静止小波变换(SWT)对增强图像进行进一步处理，获得更多信息的融合图像。定性和定量方法实验结果表明，该方法的结果犹豫传统的SWT方法。。
　　本文提出了基于最近正则化子空间(NRS)的高光谱图像(HSI)分类。因为NRS利用距离加权的Tikhonov正则化来确保类内相似样本的适当表示，NRS优于协同表示分类和基于稀疏表示的技术。然而，典型的NRS仅考虑欧几里德距离，这对于解决频谱绝对幅度中的灵敏度问题不是最佳的。提出了一种基于NRS-曼哈顿距离(MD)策略的HSI分类。MD控制了幅度变化并强化了频谱的形状。此外，MD度量使用HSI像素全维度的光谱带的全部信息，这使NRS-MD成为更有效的像素分类器。通过印度松树，博茨瓦纳，萨利纳斯和休斯敦高光谱数据的实验结果表明，NRS-MD优于现有方法。