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。